derrumbe/ruseमोबाइल कैमरा-आधारित एप्लिकेशन जो तस्वीरों को बदलने का प्रयास करता है ताकि वे मनुष्यों के लिए उपयोगी बनी रहें, लेकिन चेहरे की पहचान प्रणालियों के लिए अनुपयोगी हो जाएं।
एक मोबाइल कैमरा-आधारित एप्लिकेशन जो मनुष्यों के लिए उनकी उपयोगिता बनाए रखते हुए चेहरे की पहचान प्रणालियों के लिए अनुपयोगी बनाने के लिए फ़ोटो को बदलने का प्रयास करता है।
(1) आसान विधि: प्रतीक्षा करें और उपयुक्त ऐप स्टोर से ऐप डाउनलोड करें।
(2) XCode के माध्यम से ios ऐप डाउनलोड और चलाएँ (अधिक जानकारी के लिए Development setup देखें)
ऐप एक कैमरा-आधारित ऐप के रूप में विकसित किया गया है, जो नए कैमरा कैप्चर या कैमरा रोल पर मौजूद फ़ोटो पर चेहरों के संशोधन की अनुमति देता है, जिसका उद्देश्य उन्हें सोशल मीडिया और मानव उपभोग के लिए उपयोगी रखते हुए चेहरे की पहचान प्रणालियों के लिए उनका सटीक और प्रभावी रूप से उपयोग करना कठिन बनाना है।
यह पिछले शोध पर आधारित विभिन्न विधियों के माध्यम से किया जाता है। मोबाइल और TensorFlow Lite की सीमाओं के कारण, डिवाइस पर स्वयं सीखना संभव नहीं है—इसलिए कुछ अधिक उन्नत तकनीकें अभी तक संभव नहीं हैं (लेकिन अनुसंधान और विकास भविष्य में परिणाम दे सकता है)।
उपयोग पर निर्देश और पहली रिलीज़ के साथ एक पूर्ण वीडियो आने वाला है।
Jupyter नोटबुक "आर्बिट्रेरी फास्ट स्टाइल" एड्वर्सेरियल तकनीक को दर्शाता है जो मोबाइल पर संभव है:
लंबी अवधि में, इस तकनीक को चुनिंदा रूप से लागू किया जाएगा (संभवतः फ़ोटोग्राफ़ के खंडों पर), प्रति छवि आधार पर उत्पन्न पर्लिन/सिम्प्लेक्स शोर के साथ, https://github.com/kieranbrowne/camera-adversaria की तरह।
चेहरों को व्यावसायिक पहचान प्रणालियों से छिपाने के लिए विभिन्न विधियों (जैसे आर्बिट्रेरी फ़ाइल ट्रांसफ़र, पर्लिन शोर परिचय) का उपयोग किया जाता है। कैमरा रोल में सहेजने या ऑनलाइन उद्देश्यों के लिए उपयोग करने से पहले, एक ऑनबोर्ड सुविधा जाँचती है कि क्या चेहरों का पता लगाया जा सकता है।
इन एड्वर्सेरियल दृष्टिकोणों के प्रभाव की जाँच तब नेटवर्क एक्सेस की आवश्यकता के बिना की जा सकती है।
(भविष्य के संस्करणों में संशोधित छवि के विरुद्ध एक नमूना पहचान प्रणाली के प्रदर्शन का एक समान ऑनबोर्ड अनुमान शामिल करने की योजना है।)
आवश्यकताएँ: Xcode >12
Pods नीचे दी गई प्रक्रिया के भाग के रूप में स्थापित: TensorFlow Lite (Swift nightly build) // GoogleMLKit // GPUImage3
डिवाइस पर स्थापना पाठक पर छोड़ दी गई है।
भविष्य का नोट: TFLite के साथ ऑन-डिवाइस लर्निंग अब संभव है। फिर भी यह व्यावहारिक नहीं हो सकता क्योंकि सामान्य उपयोगकर्ताओं के लिए पुनरावृत्तियाँ बहुत लंबी हो सकती हैं।
MIT लाइसेंस के तहत वितरित। अधिक जानकारी के लिए LICENSE देखें।
