社交媒体中的无脸人员识别及隐私影响
该论文提出了一种基于多图像区域(头部、身体等)的简单的人员识别框架,以应对社交媒体照片中的人员识别问题,并针对训练和测试样本之间的时间和外观差距提出了新的识别方法,该方法在 PIPA 基准上取得了最先进的结果,对不同的特征进行了深入的分析。
Oct, 2017
提出一种基于卷积神经网络的人物识别系统,针对不同的身体线索和训练数据量的信息量,系统的常见故障模式进行了深入分析,并讨论了现有基准的局限性并提出更具挑战性的基准,其简单易用且在社交媒体照片数据集(PIPA)上达到了更好的成果。
Sep, 2015
该研究提出了一种名为 FoggySight 的解决方案,通过诸如对抗机器学习算法等方式,在图片上传到社交媒体之前,以保护个人隐私的方式,对人脸图片进行修改。FoggySight 的核心特征是共同保护策略,参与者可以作为其他用户隐私的保护者,上传由对抗性机器学习算法生成的诱骗图片,以保护面部隐私,包括防止具有未知内部结构的人脸识别服务的侵害。
Dec, 2020
该篇研究论文提出了一种名为 Face-Off 的隐私保护框架,旨在通过对用户面部进行策略性扰动来防止它被正确识别,该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务,并且用户研究表明,所进行的扰动对用户的成本是可以接受的。
Mar, 2020
本文研究了简单易用的图像处理技术如何影响面部识别软件通过一个唯一的图像来识别一个人的各种面部图像,以应对随着虚拟和物理身份日益交织在一起,隐私和安全在在线领域中的重要性变得日益重要的情形。
May, 2023
该研究介绍了三种人脸访问模型,使用深假面替换未经批准的面孔,并提出了适用于此任务的新度量标准,通过在真实数据集和两个合成数据集上测试,证明了该系统的有效性,并对相似性度量、深假面生成器和数据集进行了广泛分析。
Nov, 2022
本文提出了一种名为 AnonymousNet 的新框架,该框架包含四个阶段:面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果,而且还首次展示了面部隐私的可衡量性和可分解性,以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。
Apr, 2019
本文研究了面部模糊化对 ImageNet 视觉识别基准的影响,结果显示面部模糊化对图像识别的准确性影响很小,预训练的深度神经网络在面部模糊化的图像上表现稳定,并且面部模糊化的数据在迁移学习中同样具有良好的转移性能。
Mar, 2021
本文通过对亿万级别的图片进行大规模的人脸识别实验,发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体,而目前的大规模人脸识别数据集的个人隐私意识缺失,对隐私造成了严重影响。
Jan, 2020
本研究提出了一种混合方法,通过头部替换来混淆照片中的身份信息,结合参数化人脸合成技术和生成对抗网络的最新进展,该方法可以对面部参数进行控制并允许对身份进行显式操作,并且可以添加细节和整体逼真度,实验结果表明该系统的输出相对原始图像的相似度更高,同时改进了遮蔽率。
Apr, 2018