Masterarbeit: Erkennung suggestiver Posen und Gesichtsausdrücke

2 settimane fa


Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

Hintergrund/Motivation:Zur Erkennung von erotischem und pornografischen Bildmaterial werden häufig Modelle eingesetzt, welche menschliche Haut, Körperteile oder Szenen erkennen können. Mithilfe von entsprechenden Datensätzen [1] lassen sich Klassifizierungs- und Objekterkennungsmodelle trainieren. Es gibt allerdings auch Bilder, welche offensichtlich erotisch oder pornografisch sind, die jedoch durch herkömmliche Methoden nicht erkannt werden können. Dies trifft z.B. auf Bilder zu, in welchen erotische Posen oder Teilausschnitte pornografischer Szenen zu erkennen sind. Hier lassen sich u.a. Posen und Gesichtsausdrücke zur Klassifizierung verwenden [2].Ziel:Ziel dieser Masterarbeit ist es zu untersuchen, ob und in welchem Umfang Posen und Gesichtsausdrücke zur Erkennung von erotischem und pornografischem Bildmaterial genutzt werden können. Zunächst soll recherchiert werden, welche bereits existierenden Ansätze sich zur Bearbeitung der Fragestellung eignen. Lücken in bestehenden Datensätzen und Modellen sollen beschrieben und durch eigene Daten und Modelle geschlossen werden. Auf Basis der entwickelten Methoden soll anschließend evaluiert werden, (1) ob eine zuverlässige Erkennung erotischer Posen und Gesichtsausdrücke möglich ist und (2) ob sich erotische und pornografische Bilder anhand erkannter Posen und Gesichtsausdrücke von anderen Kategorien abgrenzen lassen. Hierbei sollen auf unterschiedlichen Gegenklassen evaluiert werden, wie z.B. Alltags- oder Sportbilder.Ergebnisse:Als Teil dieser Masterarbeit sollen die folgenden Ergebnisse erzielt werden:Datensatz mit Annotationen für die Erkennung erotischer Posen und Gesichtsausdrücke.Implementierung neuer Ansätze zur Klassifizierung von Posen und Gesichtsausdrücken, sowohl in Alltagssituationen als auch in Erotik und Pornografie.Evaluierung der Modelle, sowohl bezogen auf Klassifizierung der Posen und Gesichtsausdrücke als auch die Klassifizierung von Bildern (pornografisch/erotisch/normal).Hier sorgst Du für VeränderungAufbau eines Datensatzes zur Klassifizierung von Posen und Gesichtsausdrücken.Implementierung von neuen Ansätzen zur Erkennung von erotischen und pornografischen Gesichtsausdrücken.Training von Modellen (CNNs, Vision-Transformer).Analyse existierender Datensätze.Evaluierung der trainierten Modelle auf geeigneten Datensätzen.Hiermit bringst Du Dich einGute Kenntnisse im Bereich Machine Learning und dem Training neuronaler Netze.Gute Python-Kenntnisse, vorzugsweise erste Erfahrung mit PyTorch.Idealerweise Kenntnisse in Computer-Vision und Objekterkennung/Segmentierung.Motivation, sich eigenständig in neue und aktuelle Forschungsthemen einzuarbeiten.Bereitschaft mit erotischem oder pornografischem Bildmaterial zu arbeiten.Interesse an wissenschaftlicher Forschung.Was wir für Dich bereithaltenSelbstständige ArbeitszeiteinteilungEinblicke in das Schnittfeld von akademischer Forschung und industrieller AnwendungVerwandte Arbeiten:[1] Phan, D. D. et al., LSPD: A Large-Scale Pornographic Dataset for Detection and Classification — [2] Gangwar, A. et al., Triple-BigGAN: A Semi-Supervised GAN for Image synthesis and classification applied to detect facial sexual expressionsWir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft. Bereit für Veränderung? Dann bewirb Dich jetzt, und mach einen Unterschied Nach Eingang Deiner Online-Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht. Fraunhofer-Institut für Sichere Informationstechnologie SIT ​" target="_blank" rel="noopener"> Kennziffer: Bewerbungsfrist:  [Not translated in selected language]



  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Zur Erkennung von erotischem und pornografischen Bildmaterial werden häufig Modelle eingesetzt, welche menschliche Haut, Körperteile oder Szenen erkennen können. Mithilfe von entsprechenden Datensätzen [1] lassen sich Klassifizierungs- und Objekterkennungsmodelle trainieren. Es gibt allerdings auch Bilder, welche offensichtlicht...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Mit dem Aufkommen leistungsfähiger Sprachmodelle (LLMs) entstehen immer häufiger Texte, die nicht ausschließlich von Menschen verfasst sind, sondern aus einer Mischung von menschlichen und maschinellen Passagen bestehen [1]. Solche sogenannten Hybridtexte stellen neue Herausforderungen dar, etwa bei der Plagiatserkennung, in der...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral (z. B. Identitätsprüfung, Jugendschutz, Medizin). Klassische Ansätze (reine Regression oder einfache Klassifikation) haben jedoch klare Grenzen: sie ignorieren Unsicherheit, leiden unter unausgewogenen Daten (long tail, fehlende Altersklassen) und unter der...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral (z. B. Identitätsprüfung, Jugendschutz, Medizin). Klassische Ansätze (reine Regression oder einfache Klassifikation) haben jedoch klare Grenzen: sie ignorieren Unsicherheit, leiden unter unausgewogenen Daten (long tail, fehlende Altersklassen) und unter der...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Gesichtbasierte Altersschätzung ist in vielen Anwendungen zentral, wie z.B. in der Kriminalitätsbekämpfung, Identitätsverifizierung, Jugendschutz und auch im medizinischen Bereich. Systeme zur Altersschätzung zeigen häufig unterschiedliche Performance auf Subgruppen (z.B. bzgl. Alter, Geschlecht, ethnische Zugehörigkeit)....


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation: Backdoor Attacken sind Angriffe auf Neuronale Netze bei denen ein sogenannter Trigger das Entscheidungsverhalten der Netze verändert und dadurch Schwachstellen entstehen. Diese Trigger können in den Trainingsdatensatz eingeschleust werden oder direkt auf die Modellgewichte. Diese nennt man dann vergiftet. Durch Parametereffiziente...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Das Fraunhofer-Institut für Sichere Informationstechnologie SIT gehört zu den führenden Forschungs- und Entwicklungseinrichtungen für Cyber-Sicherheit in Deutschland und Europa und ist Teil von ATHENE, dem nationalen Forschungszentrum für angewandte Cybersicherheit. ATHENE ist eine Kooperation der Fraunhofer-Gesellschaft mit der TU Darmstadt, der...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Autorschaftsverifikation (AV) wird in Bereichen wie Forensik, Plagiatserkennung und Fake-News-Detektion eingesetzt, um den wahren Urheber eines Textes zu identifizieren. Ziel der AV ist es, zu klassifizieren, ob zwei oder mehr Texte von demselben Autor verfasst worden sind (Y) oder nicht (N). Ein großes Problem besteht darin, dass...


  • Italia Startseite Fraunhofer-Gesellschaft A tempo pieno

    Hintergrund/Motivation:Autorschaftsverifikation (AV) wird in Bereichen wie Forensik, Plagiatserkennung und Fake-News-Detektion eingesetzt, um den wahren Urheber eines Textes zu identifizieren. Ziel der AV ist es, zu klassifizieren, ob zwei oder mehr Texte von demselben Autor verfasst worden sind (Y) oder nicht (N). Wie in den meisten KI-Feldern heutzutage,...