20.500.12556/RUL-113562 Izboljšava modela za deidentifikacijo z uporabo generativnih nasprotniških mrež Improving a deidentification model using generative adversarial networks Sodobna družba se vse bolj zaveda pomembnosti varovanja osebnih podatkov in zasebnosti. Prikrivanje identitet posameznikov na fotografijah ali video posnetkih je zato pomembno opravilo. Sodoben pristop k reševanju tega problema je generiranje nadomestnih obrazov, s katerimi zakrijemo izvirne. Algoritem imenovan $k$-Same-Net uporabi generativno nevronsko mrežo, ki sintetizira nadomestne obraze brez podobnosti resničnim osebam. Pristop je uspešen, vendar so generirani obrazi neraznoliki, slike pa niso povsem ostre. Naš cilj je izboljšava stabilnosti generativnega postopka in kvalitete rezultatov z uporabo najnovejših metod s področja generativnih modelov, natančneje z generativnimi nasprotniškimi mrežami. Preizkusili smo številne različne arhitekture in postopke učenja. Zaradi težavnega učenja generativnih nasprotniških mrež, ki je razvidno tudi iz našega dela, nismo prišli do zadovoljivih rezultatov. Nekatere implementacije uspešno posnemajo človeški obraz, izraz na obrazu in celo identiteto. Ni pa nam uspelo odkriti kombinacije parametrov, ki bi se naučila na podlagi več vhodnih identitet generirati prepričljiv nov obraz. In a privacy-concerned society it is a common challenge to protect the identities of people appearing in a photo or video. A modern approach is to generate surrogate faces to replace the originals. An algorithm called $k$-Same-Net uses generative neural networks to synthesize faces without any visual resemblance to real people. While highly successful, it suffers from low variety and blurriness of the generated faces. Our goal was to improve the quality and stability of this process by applying the latest methods in the field of generative neural networks, namely generative adversarial networks. We compare the quality of faces generated by several different implementations. Due to the difficulties of training generative networks, which are evident from our work, we were unable to achieve satisfactory results. Some of the methods we present are successful in imitating human faces, emotions and even identities. However, we were unsuccessful in finding a set of parameters that would result in convincing new identities based on multiple existing faces. deidentifikacija generativne nasprotniške mreže generiranje obrazov deidentification generative adversarial networks generating faces true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2020-01-21 13:52:04 2020-01-21 13:52:12 2022-08-25 03:56:56 0000-00-00 00:00:00 2019 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 22925 1538495939 Susin_Nejc_-_Izboljsava_modela_za_deidentifikacijo_z_uporabo_generativnih_nasprotniskih_mrez.pdf Susin_Nejc_-_Izboljsava_modela_za_deidentifikacijo_z_uporabo_generativnih_nasprotniskih_mrez.pdf 1 E59662CA65C4BC6AF8D214C5587C5804 d444c669fb92012da3d0f19e54bdb5cc8ecff97194a006fa4bf0e5e2a3f10c00 220f85de-a1b8-11eb-a523-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=125657 Fakulteta za računalništvo in informatiko 0 0 0