DIFFUSE

I många maskininlärningsbaserade modeller som kan användas för att öka trafiksäkerhet, komfort och trygghet, t.ex. dåsighet, uppskattning av blick- och huvudposition samt autentisering, måste de dataset som krävs för träning och verifiering av prestanda vara enorma. Dessa maksininlärnings-modeller måste utvecklas med hjälp av en datamängd med ett stort antal individer med olika etniska karaktärer för att vara robusta, där de individuella personliga egenskaperna måste vara olika. Datan kan bara skapa en approximation av verkligheten och är ofta inte globalt tillämpliga, t.ex. är inte nödvändigtvis uppgifter som samlats in i Sverige tillämpliga i Asien, och denna brist sträcker sig till andra aspekter i datan.

En av metoderna för att lindra dessa problem är att samla in nya data, vilket är både kostsamt och förknippat med samma problem som tidigare. En annan metod är att generera data specifikt för validering. Ett problem när man genererar bilder för valideringsändamål är dock att även om man hittar bilder där modellens prestanda är dålig, är det inte nödvändigtvis lätt att säga vad i bilden som ledde till denna försämring av prestanda.  

Vår föreslagna lösning för att förbättra datagenereringen är att använda maskininlärningsmodeller för att generera syntetiska ansikten med olika och kontrollerbara ansiktsattribut. Dessutom kommer de utvecklade modellerna att användas för att skapa en ökad förklaringsgrad och kontroll vid validering av autentisering, huvudposition och blickuppskattningsmodeller.