本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

Oct, 2015

隐私是一个复杂、主观和语境相关的概念，对其进行定义十分困难。因此，对图像进行注释以训练隐私分类器是一项具有挑战性的任务。在本文中，我们分析了隐私分类数据集及以不同评估员对具有对立隐私标签的具有争议性图像的注释属性。我们讨论了适用于图像隐私分类的特征，并提出了八个特定于隐私且可人工解释的特征。这些特征提高了深度学习模型的性能，并且与维度更高的深度特征相比，它们自身在图像隐私分类中表现出更好的图像表示。

Oct, 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

提出了一种融合来自卷积神经网络的对象、场景上下文和图像标签模态的方法，以准确预测在线分享图像的隐私。该方法可以识别出最有竞争力的模态，并预测目标图像的隐私标签。实验结果证明，该方法比单一模态和先前的隐私预测模型更准确地预测了敏感（或私密）内容。

Feb, 2019

利用从图像中提取的对象来确定图像为私人图像的难度比较大。通过使用特征归属来解释这些模型的决策，我们发现人类类别和其个数是决定隐私决策的主要因素。因此，这些模型在识别包含敏感数据的私人图像、车辆所有权和互联网活动的图像，以及含有人类的公共图像时通常失败。为了将来的基准测试，我们还设计了两个基于人类出现和数量的策略，并实现了与隐私模型相当的分类性能。

May, 2024

本文提出了一种新颖的隐私保护神经网络特征表示方法，使得学习到的空间中的敏感信息得以削弱，同时保持数据的实用性；该方法不仅保证了用户数据的隐私，而且还提升了算法的公平性和结果的可行性。

Feb, 2019

本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

Apr, 2020

本文讨论了如何开发一个大规模的自动照片标注系统，提出了一些重要的考虑事项，包括如何为用户选择最重要的标签、如何开发高性能的模型以进行标签预测，以及如何利用大量噪声数据进行训练。通过使用用户生成的数据，我们的结果表明，对于现实世界的数据集，仅使用这些噪声数据的训练效果与先预先训练干净的数据再进行微调的标准范例的表现相当。

Dec, 2016

本文提出了一个基于场景信息和物品基数的图像隐私分类器 ——Graph Privacy Advisor，通过简化现有图形模型和提取最具信息量的视觉特征，使用更有效的低维特征取代高维图像特征，解决了有关偏差先验信息的问题。

Oct, 2022

本篇论文使用卷积神经网络进行视觉内容的情感分析，对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略，通过将人工标注的 Twitter 图像进行领域转移，提高了推特图像的性能，综合实验结果表明，所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。

Sep, 2015