MAPS-IT

Le défi: Défi IA : Détecter la Violence dans les Dessins Animés

Les dessins animés sont un moyen populaire de narration visuelle, souvent associés à un large éventail d'émotions et de comportements. Cependant, certains dessins animés peuvent contenir des scènes violentes, qui peuvent ne pas être adaptées à tous les publics. Le défi consiste à développer un modèle d'intelligence artificielle capable de détecter si une scène de dessin animé contient des éléments violents.

Objectif :

L'objectif de ce défi est de créer un modèle d'IA capable de classer les scènes de dessins animés en deux catégories :

• Violente : La scène contient des actions violentes ou agressives (par exemple, des combats, des blessures, des actions menaçant la sécurité des personnages).

• Non Violente : La scène ne contient pas de violence explicite ou de comportements agressifs.

Contraintes :

• Le modèle doit être capable de traiter des vidéos de dessins animés et d'analyser le contenu visuel et comportemental pour identifier des éléments violents.

• La solution doit être capable de gérer des vidéos et de traiter les images avec une précision suffisante pour distinguer des comportements violents subtils (ex : menaces verbales, gestes menaçant l'intégrité physique).

• La solution doit être entraînée sur un ensemble de données contenant à la fois des scènes violentes et non violentes.

• Une attention particulière doit être portée à l'évaluation du modèle sur des vidéos qui ne font pas partie de l'ensemble d'entraînement pour éviter l'overfitting.

Input :  Vidéo de dessins animés sous forme de fichiers vidéo (.mp4, .avi, etc.).

Outputs : un programme python permettant de charger une nouvelle vidéo et d'obtenir une prédiction sur le contenu violent de chaque scène. Suggestions  et information utile à propos de la détection de violence dans les dessins animés : :

• Créer un nouveau modele, comme vous pouvez utiliser des modèles pré-entrainés de détection d'actions dans les vidéos (comme ceux basés sur des CNN ou des réseaux de neurones 3D) et les adapter à l'identification de la violence.
• Enrichir les données d'entraînement avec des scènes extraites de dessins animés populaires (ex : Dragon Ball, Naruto, etc.), ou des bases de données de films et séries TV, en étiquetant manuellement les scènes violentes.

• Bases de données existantes :

  • UCF-101 : Base de données pour la reconnaissance d'actions humaines, incluant des scènes violentes.
  • Kinetics-700 : Base de données variée avec des actions humaines étiquetées, incluant des combats.
  • RWF-2000 : Contient des vidéos annotées de films et séries pour la détection de violence.
  • Anime-Style Datasets : Créer un ensemble de données personnalisé avec des scènes extraites de dessins animés populaires (ex : Dragon Ball, Naruto).

• Utilisation de modèles pré-entraînés :

  • Modèles pour détection d'actions humaines : InceptionV3, ResNet, MobileNet (ré-entrainables pour détecter la violence).
  • OpenCV + Deep Learning : Détection d'objets et fine-tuning pour la détection de violence.
  • Action Recognition Models : SlowFast Networks, I3D (modèles pour la reconnaissance d'actions dans les vidéos).

• Approches de fine-tuning :

  • Extraire et annoter des scènes violentes dans des vidéos de dessins animés.
  • Entraîner un modèle personnalisé à l’aide de ces vidéos annotées.
  • Fine-tuning d'un modèle préexistant pour détecter la violence dans les dessins animés.

• Outils et frameworks :

  • TensorFlow / Keras : Pour créer et entraîner des modèles.
  • PyTorch : Pour le fine-tuning de modèles de reconnaissance d'actions.
  • OpenCV : Pour le traitement vidéo et la détection d'objets.
  • FFmpeg : Pour extraire des images clés des vidéos pour l’entraînement.

 

Elements attendus

Un Git Repo contenant le projet développé en Python

Mode de restitution

Envoyez le lien du Git Repo (en Python) par email à admin@maps-it.com en spécifiant dans l'objet le nom de l'équipe et le défi.
Exemple : "Défi [Nom du défi] - [Nom de l'équipe]"