derrumbe/ruseMobile kamerabasierte Anwendung, die versucht, Fotos so zu verändern, dass sie für Menschen nützlich bleiben, aber für Gesichtserkennungssysteme unbrauchbar werden.
Mobile Kamera-basierte Anwendung, die versucht, Fotos so zu verändern, dass sie für Menschen nützlich bleiben, aber für Gesichtserkennungssysteme unbrauchbar werden.
(1) Einfache Methode: Warten und die App aus dem entsprechenden App Store herunterladen.
(2) iOS-App über XCode herunterladen und ausführen (siehe Entwicklungseinrichtung für weitere Details)
Die App ist als kamerabasierte App entwickelt, die es ermöglicht, Gesichter bei neuen Kameraaufnahmen oder aktuellen Fotos in der Kamerarolle zu modifizieren, mit dem Ziel, sie für soziale Medien und die menschliche Nutzung nützlich zu halten, aber für Gesichtserkennungssysteme schwer genau und effektiv nutzbar zu machen.
Dies wird durch eine Vielzahl von Methoden erreicht, die auf früherer Forschung basieren. Aufgrund der Einschränkungen mobiler Geräte und TensorFlow Lite ist ein Lernen auf dem Gerät selbst nicht möglich – daher sind einige der fortgeschritteneren Techniken noch nicht umsetzbar (aber Forschung und Entwicklung könnten in Zukunft Ergebnisse liefern).
Anleitung zur Nutzung und ein vollständiges Video folgen mit der ersten Veröffentlichung.
Das Jupyter-Notebook veranschaulicht die „arbitrary fast style“-Adversarial-Technik, die auf mobilen Geräten möglich ist:
Langfristig wird diese Technik selektiv angewendet (wahrscheinlich auf Segmente der Fotos), zusammen mit Perlin/Simplex-Rauschen, das pro Bild generiert wird, à la https://github.com/kieranbrowne/camera-adversaria.
Eine Vielzahl von Methoden wird verwendet, um die Gesichter vor kommerziellen Erkennungssystemen zu verbergen (z. B. willkürliche Dateiübertragung, Einführung von Perlin-Rauschen). Bevor das Bild in der Kamerarolle gespeichert oder für Online-Zwecke verwendet wird, prüft eine eingebaute Funktion, ob Gesichter erkannt werden können.
Die Wirkung dieser adversarialen Ansätze kann dann überprüft werden, ohne dass Netzwerkzugriff erforderlich ist.
(Zukünftige Versionen planen eine ähnliche eingebaute Schätzung, wie ein exemplarisches Erkennungssystem gegenüber dem modifizierten Bild abschneidet (Klassifikation statt bloßer Erkennung).)
Voraussetzungen: Xcode >12
Pods, die im Rahmen des folgenden Prozesses installiert werden: TensorFlow Lite (Swift nightly build) // GoogleMLKit // GPUImage3
Die Installation auf dem Gerät bleibt dem Leser als Übung überlassen.
Hinweis für die Zukunft: Lernen auf dem Gerät ist jetzt mit TFLite möglich. Dies könnte jedoch immer noch unpraktisch sein, da die Iterationen für normale Benutzer möglicherweise zu lange dauern.
Lizenziert unter der MIT-Lizenz. Siehe LICENSE für weitere Informationen.
