<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Deidentifikacija obrazov na osnovi zamenjav obrazov</dc:title><dc:creator>Babnik,	Žiga	(Avtor)
	</dc:creator><dc:creator>Peer,	Peter	(Mentor)
	</dc:creator><dc:creator>Štruc,	Vitomir	(Komentor)
	</dc:creator><dc:subject>računalniški vid</dc:subject><dc:subject>biometrija</dc:subject><dc:subject>zamenjava obrazov</dc:subject><dc:subject>deidentifikacija</dc:subject><dc:subject>nasprotniški šum</dc:subject><dc:subject>shema k-enakosti</dc:subject><dc:subject>ε-diferencialna zasebnost</dc:subject><dc:description>V zadnjih letih količina vizualnih vsebin, ki vsebujejo občutljive informacije o identiteti posameznikov, drastično raste. Posledično se razvijajo in širijo učinkoviti mehanizmi za zagotavljanje zasebnosti posameznikov. V delu se osredotočamo na razvoj takšnih mehanizmov za obrazne slike, ki jih lahko uporabimo v sistemih za samodejno razpoznavanje obrazov. Med obstoječimi rešitvami se v literaturi pogosto pojavijo postopki deidentifikacije, ki iz podatkov odstranijo informacijo o identiteti in ohranijo manj občutljive informacije. Za deidentifikacijo slik uporabimo različne mehanizme za zagotavljanje zasebnosti obraznih slik. Naš glavni cilj je preveriti zmožnost delovanja takšnih mehanizmov v kombinaciji s pristopom za zamenjavo obrazov.
V delu se omejimo na tri mehanizme za zagotavljanje zasebnosti obraznih slik. Prvi mehanizem temelji na dodajanju nasprotniških perturbacij v obrazno sliko. Za izvedbo mehanizma smo izbrali metodo hitrega predznačenega gradienta, ki jo nadgradimo z uporabo ansambla modelov ter binarnimi obraznimi maskami. Drugi mehanizem temelji na shemi k-enakosti, kjer s pomočjo rojenja in generatorja StyleGAN ustvarimo umetne obrazne identitete, s katerimi zamenjamo obraze v izvirnih slikah. Zadnji mehanizem temelji na ε-diferencialni zasebnosti, kjer ustvarjamo umetne obrazne identitete z vnašanjem šuma v StyleGAN-vložitve slik.
Rezultati mehanizmov za zagotavljanje zasebnosti kažejo, da so vse implementacije sposobne deidentificirati obrazne slike do neke mere. Z vključevanjem mehanizmov v pristop za zamenjavo obrazov pa se sposobnost deidentifikacije le-teh zmanjša. Združevanje generativnih mehanizmov, kot sta shema k-enakosti ter ε-diferencialna zasebnost, z nasprotniškimi mehanizmi v splošnem izboljša rezultate v primerjavi z uporabo posameznih mehanizmov tudi, ko jih združimo s pristopom za zamenjavo obrazov.</dc:description><dc:date>2021</dc:date><dc:date>2021-09-09 17:30:00</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>129978</dc:identifier><dc:identifier>VisID: 29461</dc:identifier><dc:identifier>COBISS_ID: 76582147</dc:identifier><dc:language>sl</dc:language></metadata>
