IT 기술의 진보로 손쉽게 동영상의 제작과 공유가 가능해지면서 동영상 관련 디지털 범죄가 증가하였고, 디지털 포렌식에 대한 요구가 증가하였다. 포렌식에서 수집한 데이터를 분석하여 관심 데이터를 분리하는 과정이 필요하지만, 데이터의 양이 많을수록 인력과 시간이 다량으로 소모되는 문제점이 있다. 따라서, 본 논문에서는 SlowFast 모델을 변형하여 다양한 동영상을 동의-비동의 클래스로 분류하는 방법을 제안한다. SlowFast는 동영상 분석에 특화된 모델로서 프레임을 Slow 및 Fast 특성으로 나누어 분석하는 특징을 가져 행동 파악에 용이하다. 먼저, 동의-비동의 동영상의 기준을 정의하였고, 동영상 데이터셋을 수집한 후 전처리하여 학습 과정에서의 소요 시간을 최소화하였다. 특히, SlowFast 모델의 내부 구성과 세부 파라미터를 변형하고 최적화를 수행하여 정확도를 향상하였다. 또한, 세그먼트 단위로 처리한 후에 빈도수 기반 분류를 적용하여 오분류를 최소화하였다. 제안하는 방법의 성능 검증은 다양한 범주로 구성된 전처리된 3분 길이와 임의의 길이의 동영상을 사용하였고, 각각 98.52%와 98.00% 정확도를 달성하였다.
As IT technology advances make it possible to easily create and share videos, digital crimes using videos are increasing and demand for digital forensics is increasing. It is necessary to isolate the data of interest by evaluating forensics data, but as the amount of data increases, a lot of manpower and time are consumed. In this paper, we propose a method for classifying various video into agreed or non-agreed class using the modified SlowFast model. SlowFast is a model specialized in video analysis and it is easy to identify behavior by processing frames by dividing slow and fast characteristics. The criteria for agreed or non-agreed videos are defined and the time required in the training process is minimized through video dataset collection and pre-processing. In particular, the internal configuration and detailed parameters of the SlowFast model are modified and optimized to improve accuracy. After processing in segments, frequency-based classification is applied to minimize classification errors. To verify the performance of the proposed method, pre-processed 3-minute video composed of various categories and video of arbitrary length are used and 98.52% and 98.00% accuracy are achieved, respectively.