Este trabalho implementa um pipeline de cinco etapas para o conjunto de dados Egy-DRiVeS que protege a privacidade do pedestre por meio da troca de rostos, mantendo os atributos faciais essenciais necessários para treinar modelos de veículos autônomos.
O estudo avalia os modelos de troca de rostos Roop e Ghost-v2 para equilibrar o ocultamento de identidade com a utilidade dos dados. A análise prova que o Roop supera o Ghost-v2 em vários aspectos, tornando-o o modelo selecionado para o pipeline.
Esta abordagem aborda o desafio de aplicar procedimentos de preservação de privacidade sem degradar a utilidade das imagens, o que prejudica a eficácia dos modelos de previsão de intenção e trajetória do pedestre.