Модель обработки изображений онлайн социальных сетей, используемых для распознавания политического экстремизма
DOI:
https://doi.org/10.26577/JMMCS2023v119i3a8Ключевые слова:
социальные сети, выявление политического экстремизма, изображения, контрастная коррекция, вейвлет-анализАннотация
Научное исследование посвящено решению важной научно-практической проблемы распозна- вания призывов к политическому экстремизму в социальных сетях Интернет, которые сегодня в силу своей высокой популярности являются одним из основных способов распространения подобных призывов. Показано, что современные средства выявления призывов к политиче- скому экстремизму в социальных сетях в основном ориентированы на семантический анализ содержащихся в них текстовых сообщений. В то же время в современных онлайн-социальных сетях получили широкое распространение графические ресурсы, предоставляющие широкие возможности для осуществления подобных звонков. Рассмотрена возможность обнаруже- ния деструктивного контента в изображениях и видеоматериалах с помощью нейросетево- го анализа. Определена возможность повышения эффективности нейросетевого распознава- ния за счет разработанной модели предварительной обработки изображений, позволяющей регулировать яркость и контрастность изображений, а также устранять типичные помехи при видеозаписи. Оригинальность модели заключается в использовании аппарата вейвлет- преобразования для фильтрации типичных шумов, а также в разработанном математическом аппарате адаптивной коррекции контраста на основе локального контраста окрестности. По- казано, что использование разработанной модели предварительной обработки изображений позволяет повысить точность нейросетевого распознавания призывов к экстремизму в изоб- ражениях и видеороликах, размещенных в социальных сетях онлайн, примерно на 12 про- центов. Пути дальнейших исследований целесообразно соотнести с разработкой нейросетевой модели, адаптированной к широкому варьированию размеров изображений и видео в соци- альных сетях онлайн.
Библиографические ссылки
https://unesdoc.unesco.org/ark:/48223/pf0000260382/PDF/260382eng.pdf.multi
https://www.sciencedirect.com/science/article/abs/pii/S0736585320300046
https://www.sciencedirect.com/science/article/pii/S2666307423000025
https://www.sciencedirect.com/science/article/abs/pii/S0736585323000357
https://www.sciencedirect.com/science/article/abs/pii/S1568494623002557
https://www.worldscientific.com/doi/10.1142/S021964922350003X
O. Oksiiuk, L. Tereikovska and I. Tereikovskiy, "Determination of expected output signals of the neural network model intended for image recognition", 4th International Scientific-Practical Conference "Problems of Infocommunications Science and Technology", Ukraine, Kharkiv. October 10–13, 2017.
H. Zhengbing, I. Tereykovskiy, L. Tereykovska, V. Pogorelov, "Determination of structural parameters of multilayer perceptron designed to estimate parameters of technical systems ", Intelligent Systems and Applications, 10 (2017): 57–62.
Z. Hu, I. Tereykovskiy, Y. Zorin, L. Tereykovska, "Optimization of convolutional neural network structure for biometric authentication by face geometry ", Advances in Intelligent Systems and Computing, 754 (2018): 567–577.
L.O. Tereikovska, Metodologiya avtomatizovanogo rozpiznavannya emociynogo stanu sluhachiv sistemi distanciynogo navchannya, dis. dokt. tekhn. nauk, 05.13.06. Kiyv (2023): 395.
https://www.undp.org/sites/g/files/zskgke326/files/publications/Discussion%20Paper%20- %20Preventing%20Violent%20 Extremism%20by%20Promoting%20Inclusive%20%20Development.pdf
https://library.oapen.org/bitstream/handle/20.500.12657/58012/1/book.pdf
I. Kurilin et al., "Fast algorithm for visibility enhancement of the images with low local contrast " , IS&T/SPIE Electronic
Imaging. International Society for Optics and Photonics, (2015): 93950B-93950B-9.
J.R.R. Uijlings et al., "Selective search for object recognition" , International journal of computer vision, 104 (2) (2013):
–171.
https://www.osce.org/files/f/documents/2/2/400241_1.pdf
https://www.researchgate.net/publication/312336397_Preprocessing_for_image_classification_by_convolutional_ neural_networks
K.K. Pal and K.S. Sudeep, "Preprocessing for image classification by convolutional neural networks" , IEEE International Conference on Recent Trends in Electronics, Information Communication Technology (RTEICT), (2016): 1778–1781.
https://www.sciencedirect.com/science/article/pii/S0141118722003352
https://www.researchgate.net/publication/365726702_Bilinear_and_Bicubic_Interpolations_for_Image_Presentation_ of_Mechanical_Stress_and_Temperature_Distribution
M. Soliman, M. Kamal, M. Nashed, Y. Mostafa, B. Chawky, D. Khattab, "Violence Recognition from Videos using Deep Learning Techniques", Proc. 9th International Conference on Intelligent Computing and Information Systems (ICICIS’19), Cairo, (2019): 79–84.
S. Toliupa, I. Tereikovskyi, L. Tereikovska, S. Mussiraliyeva and K. Bagitova, "Deep Neural Network Model for Recognition of Speaker’s Emotion", IEEE International Conference on Problems of Infocommunications. Science and Technology (PIC S&T), Kharkiv, Ukraine (2020): 172–176. Doi: 10.1109/PICST51311.2020.9468017.
Sh. Mussiraliyeva, K. Bagitova and D. Sultan, "Social Media Mining to Detect Online Violent Extremism using Machine Learning Techniques" , International Journal of Advanced Computer Science and Applications (IJACSA), 14(6) (2023). http://dx.doi.org/10.14569/IJACSA.2023.01406146
Sh. Mussiraliyeva, M. Bolatbek, B. Omarov & K. Bagitova, Detection of Extremist Ideation on Social Media Using Machine Learning Techniques (2020). Doi: 10.1007/978-3-030-63007-2_58.
