Şu yazıyı okuyorsunuz: GANonimleştirmeyle Tanışın: Yüz İfadesini Koruma Yeteneklerine Sahip Yeni Bir Yüz Anonimleştirme Çerçevesi
Son yıllarda kişisel verilerin kullanılabilirliğindeki hızlı artış ve teknolojinin hızla ilerlemesiyle birlikte gizlilik ve güvenliğe ilişkin endişeler de arttı. Sonuç olarak, veri anonimleştirme daha önemli hale geldi çünkü insanların gizliliğinin korunmasında ve hassas bilgilerin kazara paylaşılmasının önlenmesinde çok önemli bir rol oynuyor.
Genelleştirme, silme, rastgeleleştirme ve tedirginlik gibi veri anonimleştirme yöntemleri, verileri paylaşırken ve analiz ederken gizliliği korumak için yaygın olarak kullanılır. Ancak bu yöntemlerin zayıf yönleri vardır. Genelleme, bilgi kaybına ve hassasiyetin azalmasına neden olabilir, gizleme, eksik veri kümeleriyle sonuçlanabilir, rastgeleleştirme teknikleri, yeniden tanımlama saldırılarına yer bırakabilir ve tedirginlik, veri kalitesini etkileyen gürültüye neden olabilir. Sınırlamalarının etkili bir şekilde üstesinden gelmek için bu yöntemleri uygularken veri gizliliği ile fayda arasında bir denge kurmak çok önemlidir.
Hassas yüz verilerinin elde edilmesi ve paylaşılması, özellikle veri setleri kamuya açık olduğunda özellikle zor olabilir. Ancak yüz verilerinin duygu tanıma gibi görevlerde kullanılması konusunda umut verici fırsatlar mevcut. Bu zorlukların üstesinden gelmek için Almanya’dan bir araştırma ekibi, anonimleştirmeyle mücadeleye yönelik, duygu tanımaya odaklanan yeni bir yaklaşım önerdi.
Yazarlar, yüz ifadelerini koruyan yeni bir yüz anonimleştirme çerçevesi olan GANonimleştirmeyi sunuyor. Çerçeve, bir yüzün üst düzey temsile dayalı anonim bir versiyonunu sentezlemek için üretken bir rakip ağ (GAN) kullanıyor.
GANonimleştirme çerçevesi dört bileşenden oluşur: yüz çıkarma, yüz bölümleme, yüz yer işareti çıkarma ve yeniden sentez. Yüz çıkarma adımında RetinaFace çerçevesi görünür yüzleri algılar ve çıkarır. Yüzler daha sonra GAN’ın gereksinimlerini karşılayacak şekilde hizalanır ve yeniden boyutlandırılır. Yüz segmentasyonu arka planı kaldırmak ve yalnızca yüze odaklanmak için yapılır. Yüzün yer işaretleri, yüz şeklinin soyut bir temsilini sağlayan bir medya boru hattı yüz ağ modeli kullanılarak çıkarılır. Bu yer işaretleri 2 boyutlu bir görüntüye yansıtılır. Son olarak, yeniden sentez için CelebA veri kümesindeki yer işareti/görüntü çiftlerini eğitim verileri olarak kullanan bir pix2pix GAN mimarisi kullanılır. GAN, yer işareti temsillerine dayalı olarak gerçekçi yüz görüntüleri oluşturarak yüz ifadelerinin korunmasını sağlar ve ilgisiz özellikleri ortadan kaldırır.
Önerilen yaklaşımın etkinliğini değerlendirmek için araştırma ekibi kapsamlı deneysel araştırmalar yürüttü. Değerlendirme, anonimleştirme performansının değerlendirilmesi, duygusal ifadelerin korunmasının dikkate alınması ve bir duygu tanıma modeli eğitiminin etkisinin incelenmesi de dahil olmak üzere birçok yönü kapsıyordu. WIDER veri kümesini kullanarak anonimleştirme performansı açısından yaklaşımı DeepPrivacy2 ile karşılaştırdılar. Ayrıca AffectNet, CK+ ve FACES veri kümelerini kullanarak duygusal ifadelerin korunmasını da değerlendirdiler. Önerilen yaklaşım, çıkarım ve eğitim senaryolarıyla da gösterildiği gibi, veri kümelerindeki duygusal ifadelerin korunmasında DeepPrivacy2’den daha iyi performans gösterdi. Deneysel araştırma, önerilen yaklaşımın anonimleştirme performansı ve duygusal ifadelerin korunması açısından etkililiğine dair kanıt sağladı. Her iki açıdan da bulgular, karşılaştırılan yöntem olan DeepPrivacy2’ye göre üstünlük gösterdi. Bu sonuçlar, özellikle duygusal bilgilerin korunması ve mahremiyetin korunmasını sağlamak için yüz anonimleştirme tekniklerinin anlaşılmasına ve geliştirilmesine katkıda bulunmaktadır.
Sonuç olarak, bu makalede, yüz ifadelerini korumak ve tanımlayıcı özellikleri kaldırmak için üretken bir rakip ağ (GAN) kullanan yeni bir yüz anonimleştirme çerçevesi olan GANonimleştirme adlı yeni bir yaklaşım sunuyoruz. Kapsamlı deneysel araştırmalar, yaklaşımın anonimleştirme performansı ve duygusal ifadelerin korunması açısından etkinliğini ortaya koydu. Her iki açıdan da önerilen yaklaşım, karşılaştırmalı bir yöntem olan DeepPrivacy2’den daha iyi performans göstererek üstünlüğünü gösterdi. Bu bulgular, yüz anonimleştirme tekniklerinin ilerlemesine katkıda bulunuyor ve mahremiyetin korunmasını sağlarken duygusal bilgilerin muhafaza edilmesi potansiyelini vurguluyor.
