DIFFUSE uppdelning av features för systematisk utvärdering

Viktiga resultat som projektet gav

Vi utforskar ett tillvägagångssätt för att automatiskt samla in stora syntetiska dataset med olika ansiktsbilder. Projektet fokuserar på att undersöka användningen av uppdelade och tolkningsbara latenta utrymmen inom toppmoderna generativa ramverk, såsom Generative Adversarial Networks och 3DMM, för att validera andra maskininlärningsmodeller och generera syntetiska data för träningsändamål. Den primära inriktningen är att generera ansiktsbilder, med autentisering av förare som ett av de tillämpningsområden där dessa metoder testas.

Långsiktiga effekter som förväntas

Två metoder för särdragsupplösning har testats. En som använder Basel Face Model och en annan med Generative Adversarial Networks. Resultaten har visat att de förbättringar som gjorts i detta projekt av Basel Face Model gör det möjligt för oss att generera data som är jämnt fördelade över flera attribut som kön och etnicitet, vilket bättre kan balansera modeller som tränats på partiska dataset och minska deras partiskhet. Vår nya metod relaterad till Generative Adversarial Network visar också lovande resultat för att koda bildinformation i ett uppdelat latent utrymme.

Upplägg och genomförande

Två metoder har utforskats inom projektet för att både fånga upp direkt användning och framtida relevans i industriella tillämpningar. Var och en har sina egna fördelar, till exempel är Basel Face Model lättare att använda för kommersiella ändamål eftersom Generative Adversarial Networks är förtränade på dataset för forskningsändamål och skulle behöva tränas om. Å andra sidan är Generative Adversarial Networks en av de mest realistiska modellerna för närvarande.

Externa länkar

https://www.ri.se/sv/vad-vi-gor/projekt/diffuse