في عصر تكنولوجيا المعلومات والذكاء الاصطناعي (Artificial Intelligence) المتسارع، أصبحت الحاجة لحماية خصوصية الأفراد أكثر إلحاحاً، خاصة مع تزايد استخدام البيانات الكبرى في أنظمة النقل الذكية (Intelligent Transportation Systems). يعد التنبؤ بنية المشاة ومساراتهم من النماذج الأساسية للسيارات الذاتية القيادة، والتي تتطلب بيانات متنوعة تشمل صوراً لمشاة مختلفين. إلا أن الحصول على هذه البيانات بلا قيود يثير مخاطر أمان جدية، مثل سرقة الهوية وتعقب المشاة.

يسلط بحث جديد الضوء على تحديات الحفاظ على الخصوصية أثناء تدريب النماذج، حيث يمكن أن تؤدي طرق الخصوصية الحالية إلى تقليل إمكانية استخدام الصور، مما يؤثر سلباً على فعالية النماذج. لذا، وضعت الدراسة خطة مؤلفة من خمس مراحل لحماية خصوصية المشاة من خلال تبديل الوجوه، مع الحفاظ على الخصائص الأساسية للوجه.

تتركز الجهود على ضبط هذه الطريقة لتلبية احتياجات مجموعة بيانات Egy-DRiVeS، مع تقييم نموذجين لتبديل الوجوه وهما Roop وGhost-v2. أظهرت النتائج أن نموذج Roop يتفوق على Ghost-v2 في جوانب متعددة، ويعتبر هو النموذج الذي سيتم استخدامه في هذه العملية لضمان توازن مثالي بين حماية الهوية وسهولة استخدام البيانات.