Generiranje sintetičnih podatkovnih zbirk za razpoznavanje obrazov z uporabo zamenjave obrazovOgrizek, Leo (Avtor) Štruc, Vitomir (Mentor) Tomašević, Darian (Komentor) sintetični podatkirazpoznavanje obrazovzamenjava obrazovobrazne vložitvelatentno generiranjeprileganje tokovdifuzijski modelifiltriranje podatkovUčenje modelov za razpoznavanje obrazov zahteva velike in raznolike učne zbirke. Sintetični podatki lahko zmanjšajo odvisnost od realnih identitet, vendar morajo poleg vizualne prepričljivosti ohraniti tudi uporabno razredno strukturo. V nalogi obravnavamo pripravo sintetične zbirke z identitetno pogojeno zamenjavo obrazov v latentnem prostoru. Donorska slika prispeva pozo, izraz, osvetlitev in ozadje, ciljna identiteta pa je podana z vložitvijo ArcFace. Cevovod uporablja generativni model ID-SiT v latentnem prostoru prednaučenega samokodirnika, obrazne maske za omejitev sprememb na obrazno regijo in tangentno-Gaussovo vzorčenje ciljnih identitet. Uporabnost vrednotimo posredno z učenjem ločenega modela za razpoznavanje obrazov na ustvarjeni zbirki ter z verifikacijo na zbirkah LFW, CFP-FP, CPLFW, AgeDB-30 in CALFW. Osnovna filtrirana zbirka s 494.409 slikami in 10.000 sintetičnimi identitetami doseže povprečno točnost 0,870; konzervativno filtriranje po identitetnih diagnostikah izboljša njeno učno uporabnost. Pri polsintetičnem bogatenju, kjer za vsako identiteto ohranimo pet realnih slik in dodamo 45 generiranih slik do skupno 50 slik, se povprečna točnost glede na izbrano podmnožico realne zbirke poveča z 0,688 na 0,890. Pri analizi pristranskosti na zbirki BFW osnovna sintetična zbirka po točnosti preseže zbirko HSFace10K (0,721 proti 0,697), a zmanjšanje pristranskosti glede na razpon točnosti ni razvidno. Rezultati potrjujejo, da je za sintetične podatke ključna geometrija celotne učne zbirke, ne le kakovost posameznih slik.20262026-08-21 12:30:10Magistrsko delo/naloga185876sl