GANonymization: Framework Anonimisasi Wajah dengan Menjaga Ekspresi Emosi

Perlindungan Data dan Privasi

Dalam beberapa tahun terakhir, pertumbuhan data pribadi yang tersedia dan kemajuan teknologi yang pesat telah meningkatkan kekhawatiran tentang privasi dan keamanan. Sebagai hasilnya, anonimisasi data telah menjadi lebih penting karena memainkan peran penting dalam melindungi privasi dan mencegah berbagi tidak sengaja informasi yang sensitif.

Metode anonimisasi data seperti generalisasi, penyensoran, randomisasi, dan perturbasi umumnya digunakan untuk melindungi privasi saat membagikan dan menganalisis data. Namun, metode-metode tersebut memiliki kelemahan. Generalisasi dapat menyebabkan hilangnya informasi dan akurasi yang berkurang, penyensoran dapat menghasilkan kumpulan data yang tidak lengkap, teknik randomisasi dapat meninggalkan peluang untuk serangan identifikasi ulang, dan perturbasi dapat memperkenalkan kebisingan yang memengaruhi kualitas data. Menemukan keseimbangan antara privasi dan utilitas data sangat penting ketika menerapkan metode-metode tersebut untuk mengatasi keterbatasan mereka dengan efektif.

GANonymization: Anonimisasi Wajah dengan Menjaga Ekspresi Emosi

Anonimisasi wajah dapat menjadi sangat sulit, terutama saat membuat dataset tersedia untuk umum. Namun, ada peluang menjanjikan dalam menggunakan data wajah untuk tugas seperti pengenalan emosi. Untuk mengatasi tantangan ini, sebuah tim peneliti dari Jerman mengusulkan pendekatan baru untuk anonimisasi wajah yang fokus pada pengenalan emosi.

Para penulis memperkenalkan GANonymization, kerangka kerja anonimisasi wajah yang baru yang mempertahankan ekspresi wajah. Kerangka kerja menggunakan jaringan generatif lawan atau generative adversarial network (GAN) untuk mensintesis versi anonim dari wajah berdasarkan representasi tingkat tinggi.

Kerangka kerja GANonymization terdiri dari empat komponen: ekstraksi wajah, segmentasi wajah, ekstraksi titik landmark wajah, dan resintesis. Pada langkah ekstraksi wajah, kerangka kerja RetinaFace mendeteksi dan mengekstrak wajah yang terlihat. Wajah kemudian disesuaikan dan diubah ukuran untuk memenuhi persyaratan GAN. Segmentasi wajah dilakukan untuk menghilangkan latar belakang dan hanya memfokuskan pada wajah. Titik landmark wajah diekstraksi menggunakan model media-pipe face-mesh, yang memberikan representasi abstrak dari bentuk wajah. Titik-titik landmark ini diproyeksikan pada gambar 2D. Akhirnya, arsitektur GAN pix2pix digunakan untuk resintesis, menggunakan pasangan landmark/gambar dari dataset CelebA sebagai data pelatihan. GAN menghasilkan gambar wajah yang realistis berdasarkan representasi landmark, memastikan pelestarian ekspresi wajah sambil menghilangkan fitur yang tidak relevan.

Untuk mengevaluasi efektivitas pendekatan yang diusulkan, tim peneliti melakukan investigasi eksperimental yang komprehensif. Evaluasi mencakup beberapa aspek, termasuk menilai kinerja anonimisasi, mempertimbangkan pelestarian ekspresi emosi, dan memeriksa dampak pelatihan model pengenalan emosi. Mereka membandingkan pendekatan dengan DeepPrivacy2 mengenai kinerja anonimisasi dengan menggunakan dataset WIDER. Mereka juga menilai pelestarian ekspresi emosi dengan menggunakan dataset AffectNet, CK+, dan FACES. Pendekatan yang diusulkan lebih unggul daripada DeepPrivacy2 dalam mempertahankan ekspresi emosi di seluruh dataset, seperti yang ditunjukkan melalui skenario inferensi dan pelatihan. Investigasi eksperimental memberikan bukti efektivitas pendekatan yang diusulkan dalam hal kinerja anonimisasi dan pelestarian ekspresi emosi. Dalam kedua aspek, temuan menunjukkan keunggulan atas metode yang dibandingkan, DeepPrivacy2. Hasil ini berkontribusi pada pemahaman dan kemajuan teknik anonimisasi wajah, terutama dalam menjaga informasi emosional sambil menjamin perlindungan privasi.

Kesimpulan

Dalam artikel ini, kami mempresentasikan pendekatan baru, GANonymization, kerangka kerja anonimisasi wajah yang baru yang menggunakan jaringan generatif lawan (GAN) untuk mempertahankan ekspresi wajah sambil menghilangkan fitur identifikasi. Investigasi eksperimental yang komprehensif menunjukkan efektivitas pendekatan dalam hal kinerja anonimisasi dan pelestarian ekspresi emosi. Dalam kedua aspek, pendekatan yang diusulkan lebih unggul daripada metode yang dibandingkan, DeepPrivacy2, menunjukkan keunggulannya. Temuan ini berkontribusi pada kemajuan teknik anonimisasi wajah dan menyoroti potensi untuk menjaga informasi emosional sambil menjamin perlindungan privasi.

Disarikan dari: Link