CSAM-Klassifizierung
Überblick
Die Identifizierung und Klassifizierung sexueller Inhalte in beschlagnahmten Medien steht im Mittelpunkt von Ermittlungen zur Ausbeutung von Kindern. Manuelle Überprüfung ist langsam, traumatisierend für Ermittler und bei großen Mengen inkonsistent.
Die Medienklassifizierungsfähigkeit von Rigr AI verwendet Deep-Learning-basierte Objekterkennung zur Identifizierung sexueller Inhalte, Körperteile, Aktivitäten und kontextueller Indikatoren in Bildern — und ordnet diese Erkennungen einer strukturierten Schweregradklassifizierung zu, die an etablierte Bewertungsrahmen angelehnt ist.
Erkennungsfähigkeiten
Unsere KI-Modelle erkennen visuelle Elemente in den folgenden Kategorien:
Körperteile und Anatomie
Genitalien, Brüste, Gesäß, Hände, Füße — jeweils nach Entwicklungsstufe klassifiziert (Säugling bis Erwachsener).
Sexuelle Aktivitäten
Geschlechtsverkehr, Oralsex, Penetration, Masturbation, Posieren und nicht-penetrativer Kontakt — präzise erkannt und klassifiziert.
Altersdemografie
Gesichter und Ganzkörperfiguren nach Entwicklungsstufe klassifiziert: Säugling, Kleinkind, vorpubertär, pubertär und erwachsen.
Kontextuelle Indikatoren
Selfies (Telefon/Kamera), Screenshots, CSAM-Netzwerk-Logos, Kleidung, Schmuck, Fesseln und andere Beweismarker.
Schweregradklassifizierung
Jedem Bild wird eine Schweregradklassifizierung auf Frame-Ebene zugewiesen, basierend auf dem schwerwiegendsten erkannten Inhalt. Die Klassifizierung entspricht einer strukturierten Skala für die Ermittlungstriage:
| Schweregrad | Klassifizierung | Beschreibung |
|---|---|---|
| 0 | Kein sexueller Inhalt | Nichts von ermittlungsrelevantem Interesse erkannt |
| 1 | Erwachsen — unbedenklich (Prüferurteil) | Explizites Erwachsenenmaterial, von einer Analystin oder einem Analysten bei der Prüfung vergeben. Der Klassifikator gibt Stufe 1 nie aus — seine Skala ist 0, 2, 3, 4, 5. |
| 2 | Ausbeuterisch / suggestiv | Nacktheit, freiliegende Anatomie oder sexualisierter Kontext ohne explizite Aktivität |
| 3 | Offen sexualisiertes Posieren | Absichtliche Genitalpräsentation oder offen sexualisierte Positionierung |
| 4 | Nicht-penetrative sexuelle Aktivität | Masturbation, Lecken oder anderer nicht-penetrativer sexueller Kontakt |
| 5 | Penetrative sexuelle Aktivität | Geschlechtsverkehr, Oralsex, anale oder vaginale Penetration |
Jede Erkennung wird zusätzlich mit kontextuellen Markierungen angereichert — wie Selbst erstellt, Sadomasochismus oder CG-Elemente — die zusätzlichen Ermittlungskontext liefern. Dies ist eine Triage-Skala, keine gesetzliche. Kategorien und Schwellenwerte unterscheiden sich je nach Rechtsordnung, und VST Teams bildet die Skala auf die vor Ort geltenden Regeln ab.
Ausprobieren
Laden Sie ein Bild hoch, um die Medienklassifizierung in Aktion zu sehen. Erwachseneninhalte werden zu Testzwecken akzeptiert.
Erwachseneninhalte sind zum Testen in Ordnung — laden Sie kein Missbrauchsmaterial von Kindern hoch.
Hochgeladene Bilder werden bis zu 7 Tage lang zur Prüfung im Rahmen von Vertrauen & Sicherheit aufbewahrt und anschließend gelöscht. Laden Sie keine Bilder identifizierbarer Personen ohne deren Zustimmung hoch. So gehen wir mit Demo-Daten um →
Operativer Einsatz
In Ermittlungsabläufen wird die Medienklassifizierung eingesetzt, um:
- Große Mengen beschlagnahmter Medien nach Schweregrad zu triagieren
- Spezifische sexuelle Aktivitäten, Körperteile und kontextuelle Indikatoren zu identifizieren
- Selbst erstellte Inhalte, CSAM-Netzwerk-Logos und andere Beweismarker zu markieren
- Prüfungswarteschlangen zu priorisieren, damit sich Ermittler auf das schwerwiegendste Material konzentrieren
Die Fähigkeit ist auch als eigenständige API oder containerisierte Anwendung verfügbar, die in einer Air-Gapped-Umgebung eingesetzt werden kann.
Bereitstellung und Kontrolle
- Vollständig containerisiert
- On-Premise- und Air-Gapped-Betrieb
- Keine Datenspeicherung
- Der Kunde behält die volle Kontrolle über Ein- und Ausgaben
Für Entwickler
Die Klassifizierungs-API akzeptiert Bilder per Multipart-Upload und gibt eine Schweregradklassifizierung, kontextuelle Markierungen und objektweise Erkennungen mit Begrenzungsrahmen und Konfidenzwerten zurück.
Die gesichtsbasierte Altersschätzung läuft im selben Durchgang. Mit estimate_age=true trägt jede Gesichtserkennung ein scheinbares Alter und dessen kalibrierte Unsicherheit — neben der Schweregrad-Klassifizierung und den Einzelobjekt-Erkennungen. Ein Bild, ein API-Aufruf. Scheinbares Alter und Entwicklungsstand sind visuelle Schätzungen: Sie verifizieren keine Identität und belegen kein gesetzliches Alter.
POST /classify curl -X POST https://api.mes.rigr.ai/classify \
-H "X-API-KEY: $API_KEY" \
-F "[email protected]" \
-F "model=VisualyzeV2" \
-F "estimate_age=true"{
"classification": {
"key": "rigr-penetrative",
"display_name": "Penetrative sexual activity",
"severity": 5
},
"flags": ["Self-Generated"],
"detections": [{
"class_name": "Male Receive Oral",
"score": 0.87,
"bbox": {"x": 0.12, "y": 0.45, "w": 0.31, "h": 0.62},
"ucs_sexual_content": "Penetrative Sexual Activity",
"ucs_flags": []
}, {
"class_name": "Pubescent Female Face",
"score": 0.92,
"bbox": {"x": 0.50, "y": 0.17, "w": 0.09, "h": 0.18},
"age": 14.8,
"age_uncertainty": 2.1,
"original_class_name": "Prepubescent Female Face"
}]
}