Дослідження ефективності легковагових моделей глибинного навчання для автоматичної анонімізації облич у серверних системах
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У 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.
The 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 (specifically
The 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 (specifically
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Іщенко 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.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (8)
- Regulation (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.
- Padilla 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.
- Viola 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.
- OpenCV Zoo: YuNet Face Detection Model. GitHub Repository. 2023. [Електронний ресурс]. URL: https://github.com/opencv/opencv_zoo
- Yu 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.html
- ONNX Runtime: High-performance inference engine. Microsoft Open Source. [Електронний ресурс]. URL: https://onnxruntime.ai/docs/
- Hukkelhoven 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).
- OpenCV: Open Source Computer Vision Library. Official Site. [Електронний ресурс]. URL: https://opencv.org/