Generating synthetic data for an assembly of police lineups

• Thesis title in Czech: Vytváření umělých dat pro sestavování policejních fotorekognic
• Thesis title in English: Generating synthetic data for an assembly of police lineups
• Key words: generativní modely|policejní fotorekognice|hluboké učení|GAN|generování obrázků
• English key words: GAN|generative adversarial network|police lineup|deep learning|image generation
• Academic year of topic announcement: 2022/2023
• Thesis type: rigorosum thesis
• Thesis language: angličtina
• Department: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Supervisor: Mgr. Ladislav Peška, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 22.06.2023
• Date of assignment: 22.06.2023
• Confirmed by Study dept. on: 22.06.2023
• Date and time of defence: 30.10.2023 00:00
• Date of electronic submission: 22.06.2023
• Date of submission of printed version: 22.06.2023
• Date of proceeded defence: 30.10.2023

Guidelines

Hlavním cílem této práce je navrhnout/upravit generativní model který půjde využít
ke generování umělých dat pro sestavování policejních fotorekognic. Tento model by měl
poskytovat dostatečně různorodé výsledky a měl by být ideálně schopný pokrýt i případy,
které se v datasetu vyskytují pouze ojediněle.

References

[1] Tero Karras, Timo Aila, Samuli Laine, and Jaakko Lehtinen. Progressive growing of
gans for improved quality, stability, and variation. CoRR, abs/1710.10196, 2017.

[2] Tero Karras, Samuli Laine, and Timo Aila. A style-based generator architecture for
generative adversarial networks. CoRR, abs/1812.04948, 2018.

[3] Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten, Jaakko Lehtinen, and
Timo Aila. Analyzing and improving the image quality of stylegan, 2019.

[4] Minhyeok Lee and Junhee Seok. Controllable generative adversarial network. CoRR,
abs/1708.00598, 2017.

[5] Shengjia Zhao, Hongyu Ren, Arianna Yuan, Jiaming Song, Noah D. Goodman, and
Stefano Ermon. Bias and generalization in deep generative models: An empirical
study. In NeurIPS, 2018.

[6] Ali Jahanian, Lucy Chai, and Phillip Isola. On the "steerability" of generative adversarial networks. CoRR, abs/1907.07171, 2019.

[7] Y. Shen, P. Luo, P. Luo, J. Yan, X. Wang, and X. Tang. Faceid-gan: Learning a
symmetry three-player gan for identity-preserving face synthesis. In 2018 IEEE/CVF
Conference on Computer Vision and Pattern Recognition, pages 821–830, 2018.

[8] Ladislav Peska and Hana Trojanova. Towards similarity models in police photo
lineup assembling tasks. In Stéphane Marchand-Maillet, Yasin N. Silva, and Edgar
Chávez, editors, Similarity Search and Applications, pages 217–225, Cham, 2018.
Springer International Publishing.

[9] Eric Heim. Constrained generative adversarial networks for interactive image generation. CoRR, abs/1904.02526, 2019.

[10] Yujun Shen, Bolei Zhou, Ping Luo, and Xiaoou Tang. Facefeat-gan: a two-stage
approach for identity-preserving face synthesis. CoRR, abs/1812.01288, 2018.

Preliminary scope of work

Jedním z problémů, které nastávají při sestavování policejních fotorekognic je nedostatek
dat, tedy vhodných kandidátů, kteří jsou dostatečně podobní podezřelému. Tato situace
nastává typicky u podezřelých s velmi specifickými vlastnostmi. Jedním ze způsobů jak
se s tímto problémem vypořádat by mohlo být využití generativních modelů—v případně
naší práce půjde konkrétně generativních adversariálních sítě—k tomu, abychom si tyto
vhodné kandidáty vygenerovali. Kritickým požadavkem na taková data by byla jejich
nerozlišitelnost od fotografií skutečných osob. Bude-li tento požadavek uspokojivě splněn,
dá se uvažovat o různých workflow: například vytvoření dostatečně velkého a rozmanitého
datasetu dopředu, generování kandidátů závislé na fotografii podezřelého provedené v
době vytváření rekognice, nebo generování závislé na nastavení různých atributů cílových
osob.

Preliminary scope of work in English

The main goal of this thesis is to propose new variation or adapt an existing generative
model that could be used for automatic generation of mugshots (images of people faces)
which could then be used during an assembly of police lineups. The model should be able
to produce results that are diverse enough and possibly it should be capable of generating
images with a very low occurrence in the original dataset.