A survey of artificial intelligence strategies for automatic detection of sexually explicit videos

El análisis y la ciencia forense digital han surgido como una disciplina para luchar contra la delincuencia cibernética y asistida por computadora. En particular, teniendo en cuenta el aumento de contenido pornográfico sin restricciones en Internet y la propagación de casos de distribución de material de abuso sexual infantil, existe una necesidad creciente de herramientas computacionales eficientes para detectar o bloquear automáticamente videos pornográficos. El objetivo principal de este estudio es revisar las diferentes estrategias disponibles en la literatura para la detección de pornografía en videos e identificar brechas en la investigación. Esta encuesta muestra que las técnicas basadas en el aprendizaje profundo detectan videos con contenido sexualmente explícito con mayor precisión en comparación con otras estrategias de detección convencionales. La precisión de las estrategias informadas en este trabajo depende de las técnicas de extracción de características, la arquitectura y los algoritmos de aprendizaje. Por último, se describen más áreas de investigación en la detección de videos pornográficos.

Digital forensics and analysis have emerged as a discipline to fight against cyber and computer-assisted crime. In particular, taking into account the increasing of unconstrained pornographic content over Internet and the spreading cases of Child Sex Abuse material distribution, there is a growing need of efficient computational tools to automatically detect or/and block pornographic videos. The primary objective of this study is to review the different strategies available in the literature for pornography detection in videos and identify research gaps. This survey shows that deep learning based techniques detect videos with sexually explicit content more accurately compared with other conventional detection strategies. The accuracy of the strategies reported in this work, is found to be dependent on features extraction techniques, architecture, and learning algorithms. Finally, further research areas in pornographic video detection are outlined.