В данной работе реализуется пятиэтапный конвейер для датасета Egy-DRiVeS, который защищает конфиденциальность пешеходов путем замены лиц при сохранении важных атрибутов лица, необходимых для обучения моделей автономных транспортных средств.
Исследование оценивает модели замены лиц Roop и Ghost-v2 для балансировки между сокрытием идентичности и полезностью данных. Анализ доказывает, что Roop превосходит Ghost-v2 по различным параметрам, что делает его выбранной моделью для конвейера.
Этот подход решает проблему применения процедур сохранения конфиденциальности без ухудшения полезности изображений, что препятствует эффективности моделей предсказания намерений и траекторий пешеходов.