(AI타임스=전승진기자) 오늘날 사람들은 컴퓨터 기반 감시, 특히 안면인식 기술과 관련된 감시 수준에 많은 경각심을 갖고 있다. 지난 몇 달 동안, 샌프란시스코와 캘리포니아 오클랜드 그리고 미국 매사추세츠 주는 경찰의 안면인식 기술사용을 금지했다. 한편 유럽에서는 일반 데이터 보호 규정 GDPR(General Data Protection Regulations)에서 개인 정보 보호에 대한 데이터 처리 제한 규정이 도입되었다. GDPR은 2018년 5월에 도입된 이후 유럽 전역의 개인 데이터 처리에 큰 영향을 미쳤다. GDPR은 데이터 사용에 대한 개인의 동의가 필요하다. 그러나 특정 개인에게 속하지 않는 자료의 경우에는 동의 없이 데이터를 사용할 수 있어 얼굴 익명화는 기업과 개인 모두에게 잠재적인 상생 솔루션이 되었다.
얼굴 익명화의 핵심 과제는 모든 개인정보에 관한 민감한 정보를 제거하고 데이터 시각적 무결성을 위한 새롭고 현실적인 얼굴을 생성할 수 있는 강력한 모델을 만드는 것이다. 사진 속 개인은 자세, 배경 및 기타 외관상의 특징에 따라 달라지므로 주어진 모든 정보에 대처해야 한다.
DeepPrivacy 모델은 조건부 생성 적성 네트워크(GAN)이다. 연구원들은 원래 얼굴을 보지 않고 사생활에 민감한 모든 정보를 제거한 현실적인 익명 얼굴을 만들 수 있는 프로그램을 만들었다. 얼굴의 특징에서 개인정보에 민감한 영역을 찾고 특정 자세에서는 귀, 눈, 코, 어깨 등을 활용하여 추가 수정을 완료한다.
이 연구에서 또 다른 중요한 요소는 데이터 이다. 연구원들은 147만 명의 인간 얼굴, Flickr Diverse Faces(FDF)의 새로운 데이터 집합을 구축했다. 각 면에는 경계 상자와 키 포인트가 주어져 있다. 연구원들은 FDF가 이전 얼굴 데이터와 비교하여 얼굴 자세, 부분적인 가려짐, 복잡한 배경 및 다른 사람을 적용하여 다양한 데이터를 만들 수 있다고 말한다. DeepPrivacy 모델의 비밀 소스는 네트워크가 팽창할 때마다 두배의 해상도가 적용되며 해상도가 8에서 128X128에서 시작 한다면 보다 자세 정보를 정밀하게 만든다.
연구원들은 원본 데이터 분배를 유지하는 위해 광범위한 정성적 및 정량적 실험을 수행했다. 먼저 WIDER-Face 데이터를 익명화한 다음 익명화된 이미지에서 평균 정밀도(AP)에 대해 얼굴 탐지를 테스트했다. 이 모델은 원래 AP의 99.3%를 달성했다. 이전의 익명화 기술은 96.7%(8x8 픽셀화), 90.5%(헤비블루), 41.4%(블랙아웃)를 달성했다. 피사체가 불규칙한 자세를 취하거나 사진이 어려운 배경 정보를 가지고 있을 경우 DeepPrivacy는 훼손된 이미지를 생성할 수도 있다. 이 방법으로 시각적 사생활을 보호할 수 있는 기술력이 입증 되었다.
무단전재 및 재배포 금지
기사제보 및 보도자료 news@aitimes.com