Generación de input sintético para el entrenamiento de los algoritmos de la inteligencia artificial para detección de landmarks, comparación biométrica y anti-spooting
Ver/
Consultable a partir de
2027-07-01
Fecha
2022Autor
Director
Versión
Acceso embargado 5 años / 5 urteko bahitura
Tipo
Trabajo Fin de Grado/Gradu Amaierako Lana
Impacto
|
nodoi-noplumx
|
Resumen
En este Trabajo Fin de Grado se exploran las tecnologías para la generación de datos
sintéticos con el fin de poder resolver las limitaciones a la hora de obtener input para
la implementación de los algoritmos de biometría facial; i.e. imágenes de caras. Para
ello, se estudiarán dos tecnologías con las que es posible generar input sintético:
Redes Generativas Adversarias
Renderizado 3D.
Una ...
[++]
En este Trabajo Fin de Grado se exploran las tecnologías para la generación de datos
sintéticos con el fin de poder resolver las limitaciones a la hora de obtener input para
la implementación de los algoritmos de biometría facial; i.e. imágenes de caras. Para
ello, se estudiarán dos tecnologías con las que es posible generar input sintético:
Redes Generativas Adversarias
Renderizado 3D.
Una vez generadas estas muestras, se analizará su uso en la implementación de algoritmos
de aprendizaje automático (ML o Machine Learning) en tres de los principales
escenarios en los que trabaja la empresas Veridas:
Detección de landmarks
Comparación biométrica
Anti-spoofing (o Antifraude)
En este último caso, debido a que el campo de investigación de técnicas de anti-spoofing
es muy amplio, ya que abarca ataques de presentación (i.e. foto impresa, foto a pantalla,
máscaras 3D, etc.) y ataques de inyección (i.e. inyección de señal de vídeo, imagen o
audio), y debido asimismo a las limitaciones de recursos y plazo de ejecución de este
Trabajo de Fin de Grado, los esfuerzos de anti-spoofing se centrarán en la Detección
de Deepfakes. [--]
In this project are explored the different technologies for the generation of synthetic data. The purpose of it is to solve the limitations of the input in the training of face biometric detection algorithms. Because of that, it is going to study two technologies that applies the generation of synthetic input: Generative Adversarial Networks. Rendering 3D. When the synthetic samples are generated ...
[++]
In this project are explored the different technologies for the generation of synthetic data. The purpose of it is to solve the limitations of the input in the training of face biometric detection algorithms. Because of that, it is going to study two technologies that applies the generation of synthetic input: Generative Adversarial Networks. Rendering 3D. When the synthetic samples are generated, it is going to analyze their use on the implementation of machine learning algorithms in three of the main cases in which Veridas works to: Landmarks detection. Biometric recognition. Anti-spoofing. In the last case, because of the huge research field of anti-spoofing techniques ( presentation attacks, injection attacks, etc) and the limitation of resources and time of this project, the development of anti-spoofing technology is going to be focus on deepfakes detection. [--]
Materias
Dato sintético,
Input sintético,
GANs,
Renderizado 3D,
Stylegan,
Deep learning,
Machine learning,
Landmarks,
Comparación biométrica,
Anti-spoofing,
Bonafinde,
Deepfake,
Metahuman Creator,
Synthetic data,
Synthetic input,
GANs,
Rendering 3D,
Stylegan,
Deep learning,
Machine learning,
Landmarks,
Biometric recognition,
Anti-spoofing,
Bonafide,
Deepfake,
Metahuman Creator
Titulación
Graduado o Graduada en Ingeniería en Tecnologías de Telecomunicación por la Universidad Pública de Navarra /
Telekomunikazio Teknologien Ingeniaritzako Graduatua Nafarroako Unibertsitate Publikoan