Show simple item record

Дослідження ефективності легковагових моделей глибинного навчання для автоматичної анонімізації облич у серверних системах

dc.contributor.authorІщенко, О. Р.uk
dc.contributor.authorКоцюбинський, В. Ю.uk
dc.contributor.authorIshchenko, O. R.en
dc.contributor.authorKotsiubynskyi, V. Y.en
dc.date.accessioned2026-09-17T10:04:15Z
dc.date.available2026-09-17T10:04:15Z
dc.date.issued2026
dc.identifier.citationІщенко О. Р., Коцюбинський В. Ю. Дослідження ефективності легковагових моделей глибинного навчання для автоматичної анонімізації облич у серверних системах // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28252.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/54414
dc.description.abstractУ роботі проведено порівняльний аналіз підходів до детекції та анонімізації облич у системах комп’ютерного зору з урахуванням вимог регламенту GDPR. Досліджено класичні алгоритми та сучасні нейромережеві моделі з точки зору точності (mAP), швидкодії (FPS) та ресурсомісткості. Обґрунтовано доцільність використання легковагових моделей (зокрема YuNet) та середовища ONNX Runtime для автоматичної анонімізації облич у високонавантажених серверних системах без використання GPU.uk
dc.description.abstractThe paper presents a comparative analysis of face detection and anonymization approaches in computer vision systems, considering GDPR compliance. Classical algorithms and modern deep learning models are evaluated in terms of accuracy (mAP), performance (FPS), and resource efficiency. The feasibility of using lightweight models (specificallyen
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28252
dc.subjectкомп’ютерний зірuk
dc.subjectдетекція обличuk
dc.subjectанонімізаціяuk
dc.subjectGDPRen
dc.subjectглибинне навчанняuk
dc.subjectYuNeten
dc.subjectONNX Runtimeen
dc.titleДослідження ефективності легковагових моделей глибинного навчання для автоматичної анонімізації облич у серверних системахuk
dc.typeThesis
dc.identifier.udc004.93:004.8
dc.relation.referencesRegulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data (General Data Protection Regulation). Official Journal of the European Union. 2016. Vol. L119. P. 1–88.en
dc.relation.referencesPadilla R., Netto S. L., da Silva E. A. A Survey on Performance Metrics for Object Detection Algorithms. 2020 International Conference on Systems, Signals and Image Processing (IWSSIP). Niteroi, Brazil, 2020. P. 155–160. DOI: 10.1109/IWSSIP48289.2020.9145130.en
dc.relation.referencesViola P., Jones M. Rapid Object Detection using a Boosted Cascade of Simple Features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). Kauai, HI, USA, 2001. Vol. 1. P. I-511–I-518.en
dc.relation.referencesOpenCV Zoo: YuNet Face Detection Model. GitHub Repository. 2023. [Електронний ресурс]. URL: https://github.com/opencv/opencv_zooen
dc.relation.referencesYu S., et al. YuNet: A Fast and Accurate Face Detection Model for Edge Devices. OpenCV Documentation. [Електронний ресурс]. URL: https://docs.opencv.org/4.x/d0/dd4/tutorial_dnn_face.htmlen
dc.relation.referencesONNX Runtime: High-performance inference engine. Microsoft Open Source. [Електронний ресурс]. URL: https://onnxruntime.ai/docs/en
dc.relation.referencesHukkelhoven S., et al. Deep Privacy: A Generative Adversarial Network for Face Anonymization. International Semantic Web Conference. 2019. [Електронний ресурс]. URL: https://arxiv.org/abs/1909.04538 (дослідження впливу анонімізації на якість детекції).en
dc.relation.referencesOpenCV: Open Source Computer Vision Library. Official Site. [Електронний ресурс]. URL: https://opencv.org/en


Files in this item

Thumbnail
Name:
28252.pdf
Size:
296.4Kb
Format:
PDF
View/Open

This item appears in the following Collection(s)

Show simple item record