移动用户云端隐私保护人脸检索
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
本文提出了一种隐私保护技术,即 PEEP,该技术可对面部图像进行扰动以防止生物特征泄漏,并利用局部差分隐私的方法在第三方服务器上运行 Eigenface 识别算法。实验结果表明,PEEP 在标准隐私设置下的分类准确率约为 70%-90%。
May, 2020
通过提出一种称为 PriCE 的新型隐私保护与成本效益方法,本研究解决了医学图像处理任务外包到混合云的隐私问题,同时降低了执行时间和成本,提高了用户预算下的输出效用。
May, 2024
该研究探讨了如何利用图像处理技术通过边缘过滤舍弃隐私信息之后再将传感器数据传输到云端,较其直接传输可以更好地保护用户的隐私。该方法使用了最先进的图像处理技术,定义了反选和选中的过滤操作,对比了正常情况下的相关性和残留信息对隐私保护的影响,结果表明该过滤方法很有前途,值得进一步研究。
Aug, 2022
本文针对现代视觉定位算法所具备的外观和几何作用稳健性,在攻击者不使用任何云服务访问的情况下,开发了一个现场细节攻击方案,并展示了其实用性。
May, 2023
该研究提出了一种基于可视化隐私顾问的方法,在图像内容方面扩展用户的隐私设置,以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性,从图像直接预测个人信息,了解不同用户在隐私属性方面的偏好,并在此基础上提出模型以预测用户在隐私风险方面的表现,并在一定程度上优于用户自己的隐私风险认知。
Mar, 2017
本研究提出了一种基于对抗特征的面部隐私保护 (AdvFace) 方法,通过在对手模型中生成对抗性的潜在噪声来破坏从对抗性特征到面部图像的映射,生成隐私保护的对抗性特征来防御面部重建攻击。实验表明,AdvFace 在维护面部识别准确性的同时,比目前最先进的面部隐私保护方法更有效地防御重建攻击。
May, 2023