Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras

En el presente trabajo, se ha realizado una revisión bibliográfica de ataques de inversión de modelos sobre redes GAN aplicados a modelos de reconocimiento facial. Posteriormente, se ha llevado a cabo un estudio comparativo, con objeto de estudiar la robustez de diversos modelos objetivo frente a es...

Descripción completa

Detalles Bibliográficos
Autor: Moreno Jiménez, Fernando
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Universidad de Jaén (UJA)
Repositorio:CREA. Colección de recursos educativos abiertos
OAI Identifier:oai:crea.ujaen.es:10953.1/27439
Acceso en línea:https://hdl.handle.net/10953.1/27439
Access Level:acceso abierto
Palabra clave:Inteligencia artificial
Informática
Análisis de datos
1203.04 Inteligencia artificial
1203.17 Informática
1209.03 Análisis de datos
id ES_232f1bf439e8c8f388ca5823bc72476b
oai_identifier_str oai:crea.ujaen.es:10953.1/27439
network_acronym_str ES
network_name_str España
repository_id_str
spelling Redes generativas adversarias para el estudio de la robustez de métodos de detección de carasMoreno Jiménez, FernandoInteligencia artificialInformáticaAnálisis de datos1203.04 Inteligencia artificial1203.17 Informática1209.03 Análisis de datosEn el presente trabajo, se ha realizado una revisión bibliográfica de ataques de inversión de modelos sobre redes GAN aplicados a modelos de reconocimiento facial. Posteriormente, se ha llevado a cabo un estudio comparativo, con objeto de estudiar la robustez de diversos modelos objetivo frente a este tipo de ataques. Para ello, se han seleccionado distintos modelos objetivo con diferentes niveles de profundidad: VGGNet-16, ResNet-50 y SENet-50. Estas redes objetivo han sido entrenadas con varios conjuntos de datos privados: CelebA, LFW y CFP. De esta manera, ha sido necesario aplicar finetunning, para adaptar estos modelos objetivo a los conjuntos de datos privados seleccionados. Por otro lado, se ha empleado el método de ataque PLG-MI, que es un método multietapa que introduce una estrategia de selección top-n de generación de pseudoetiquetas. Para la generación de estas pseudoetiquetas, se han utilizado los conjuntos de datos públicos: CelebA, LFW, CFP y FFHQ.This study presents a review of model inversion attacks using generative adversarial networks (GANs) applied to facial recognition systems. Subsequently, a comparative study was conducted to evaluate the robustness of various target models against this type of attack. To this end, target models with varying levels of depth and complexity were utilized: VGGNet-16, ResNet-50, and SENet-50. These networks were trained on diverse private datasets, including CelebA, LFW, and CFP. Thus, the fine-tuning technique was applied to adapt these architectures to the selected private datasets. Furthermore, the PLG-MI attack was employed, which is a multi-stage method that introduces a top-n selection strategy for pseudo-label generation. In this study, the pseudo-labels were generated using the following public datasets: CelebA, LFW, CFP, and FFHQ.Jaén: Universidad de JaénRivera Rivas, Antonio JesúsPérez Godoy, María DoloresUniversidad de Jaén. Informática202620262025info:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/10953.1/27439reponame:CREA. Colección de recursos educativos abiertosinstname:Universidad de Jaén (UJA)Españolinfo:eu-repo/semantics/openAccessoai:crea.ujaen.es:10953.1/274392026-05-27T06:37:21Z
dc.title.none.fl_str_mv Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
title Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
spellingShingle Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
Moreno Jiménez, Fernando
Inteligencia artificial
Informática
Análisis de datos
1203.04 Inteligencia artificial
1203.17 Informática
1209.03 Análisis de datos
title_short Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
title_full Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
title_fullStr Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
title_full_unstemmed Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
title_sort Redes generativas adversarias para el estudio de la robustez de métodos de detección de caras
dc.creator.none.fl_str_mv Moreno Jiménez, Fernando
author Moreno Jiménez, Fernando
author_facet Moreno Jiménez, Fernando
author_role author
dc.contributor.none.fl_str_mv Rivera Rivas, Antonio Jesús
Pérez Godoy, María Dolores
Universidad de Jaén. Informática
dc.subject.none.fl_str_mv Inteligencia artificial
Informática
Análisis de datos
1203.04 Inteligencia artificial
1203.17 Informática
1209.03 Análisis de datos
topic Inteligencia artificial
Informática
Análisis de datos
1203.04 Inteligencia artificial
1203.17 Informática
1209.03 Análisis de datos
description En el presente trabajo, se ha realizado una revisión bibliográfica de ataques de inversión de modelos sobre redes GAN aplicados a modelos de reconocimiento facial. Posteriormente, se ha llevado a cabo un estudio comparativo, con objeto de estudiar la robustez de diversos modelos objetivo frente a este tipo de ataques. Para ello, se han seleccionado distintos modelos objetivo con diferentes niveles de profundidad: VGGNet-16, ResNet-50 y SENet-50. Estas redes objetivo han sido entrenadas con varios conjuntos de datos privados: CelebA, LFW y CFP. De esta manera, ha sido necesario aplicar finetunning, para adaptar estos modelos objetivo a los conjuntos de datos privados seleccionados. Por otro lado, se ha empleado el método de ataque PLG-MI, que es un método multietapa que introduce una estrategia de selección top-n de generación de pseudoetiquetas. Para la generación de estas pseudoetiquetas, se han utilizado los conjuntos de datos públicos: CelebA, LFW, CFP y FFHQ.
publishDate 2025
dc.date.none.fl_str_mv 2025
2026
2026
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/10953.1/27439
url https://hdl.handle.net/10953.1/27439
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Jaén: Universidad de Jaén
publisher.none.fl_str_mv Jaén: Universidad de Jaén
dc.source.none.fl_str_mv reponame:CREA. Colección de recursos educativos abiertos
instname:Universidad de Jaén (UJA)
instname_str Universidad de Jaén (UJA)
reponame_str CREA. Colección de recursos educativos abiertos
collection CREA. Colección de recursos educativos abiertos
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869404626017583104
score 15,811543

Similares en LA Referencia