摘要
在自动驾驶车辆（AVs）作为智能交通系统（ITS）应用中，训练AI模型需要大规模且多样化的数据集。行人意图和轨迹预测是AVs中至关重要的模型，这些模型需要包含多样化行人图像的数据集。然而，未受限制地访问这些数据集会带来严重的安全风险，例如身份盗窃和行人跟踪。因此，如何在保持图像属性的同时应用隐私保护程序成为一大挑战。现有的隐私保护方法虽然能保护行人的隐私，但往往会降低图像的可用性，从而阻碍模型的有效性。
本研究的重点是实施一个五阶段的管道，通过面孔交换来保护行人的隐私，同时保持必要的面部属性。该管道将针对Egy-DRiVeS数据集的隐私需求进行定制。此外，本文还评估了Roop和Ghost-v2面孔交换模型。研究表明，Roop在多个方面优于Ghost-v2，因此选择Roop作为管道中的面孔交换模型，以实现行人隐私通过身份隐蔽与数据可用性通过面部属性保留之间的平衡。
博主点评： 该研究提出的五阶段隐私保护管道，巧妙地解决了行人隐私与数据可用性之间的矛盾，尤其是在自动驾驶领域中，具有重要的应用价值。Roop模型的优越性为后续的隐私保护技术提供了新的思路，期待其在实际应用中的表现。