Jun, 2019

隐私保护深度行动识别：对抗学习框架和新数据集

PDF
TL;DR本文提出一种带有隐私保护机制的视频动作识别模型，通过敌对训练来寻找能够最佳平衡目标任务性能与隐私保护程度的匿名转换方法，并给出了两种优化策略以实现对于攻击模型的普适隐私保护。同时，构建了一种全新的视频数据集 PA-HMDB51，为视觉隐私研究提供了有力支持。
privacy-preservingvideo-basedaction recognitionadversarial traininguniversal privacy protection
发现论文，激发创造
  • 通过对抗训练实现隐私保护视觉识别：一项试点研究

    本文提出通过对图像进行优化来平衡隐私预算和目标任务分析性能的对抗训练框架，并且使用预算模型重启和集成策略来提高对新的黑客模型的保护性。通过使用两个隐私保护行动识别中的实验，该框架在同时维持高目标任务（行动识别）性能之余，成功抑制了隐私侵犯的风险。

    Jul, 2018

  • 学习面部匿名化技术以保护隐私的动作检测

    该论文提出了一种新的方法来学习视频脸部匿名化，使用对抗训练设置，在像素级别修改以匿名化每个人的脸，以确保隐私敏感信息得到删除，并尽量减少对行动检测性能的影响。

    Mar, 2018

  • SPAct：自监督隐私保护的行为识别

    本研究提出了一种基于自监督学习的训练框架，可以在不需要隐私标签的情况下从输入视频中删除隐私信息，并在已知行动和隐私属性协议的基础上实现具有竞争力的行动隐私平衡，同时对学到的匿名函数进行新行动评估。

    Mar, 2022

  • 隐私保护与任务导向表征的对抗学习

    本文提出了一种对抗性重构学习框架，旨在学习一种以任务为导向的隐私保护表示，以防止模型反演攻击，采用负像素重构损失或负感知距离损失最小化来实现，展示了在面部属性预测任务中我们的方法可以在小幅度降低实用性的情况下保护视觉隐私，并提供了不同特征、任务和数据的广泛研究，以进一步分析它们对隐私保护的影响和效用 - 隐私权衡的关系。

    Nov, 2019

  • 只有我的模型与我的数据：一种保护模型并欺骗未经授权的黑盒模型的隐私保护方法

    通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

    Feb, 2024

  • 无需真实人类学习人体动作识别表征

    利用去除真实人类的真实世界视频和包含虚拟人类的合成数据进行预训练，提出了一种新颖的隐私保护多重自编码对齐（MAE-Align）的预训练策略，通过线性探测和微调在下游任务中缩小了人类动作识别表示和非人类动作识别表示之间的性能差距。

    Nov, 2023

  • AI 技术对特征保留上下文中的工业图像和视频数据进行匿名化研究

    随着技术的不断提升，保护隐私信息变得越来越重要。本研究应用基于深度学习的全身匿名化框架 DeepPrivacy2，将人工身份生成应用于工业图像和视频数据，并与传统匿名化技术进行性能比较，考虑了身份生成质量、时间一致性以及姿势估计和动作识别的适用性。

    May, 2024

  • 环境对抗域自适应动作识别

    本文提出了一种基于领域自适应的行为识别方法，使用对抗学习在跨域场景中学习跨域动作识别，从而实现对低光条件下的人类行为进行识别，并在 InFAR 和 XD145 动作数据集上取得了 SOTA 表现。

    Oct, 2022

  • 对抗性增强训练使行动识别模型更能适应现实视频分布的变化

    提出了两种新的评估方法来评估模型对训练和测试数据之间的分布差异的鲁棒性，通过采用梯度上升在数据增强参数上生成对分类模型具有挑战性的视频视图的增强视图，并通过 ' 课程 ' 调度视频增强的强度来解决鲁棒性问题。在现实世界的应用中，通过对比基准，在三种最先进的动作识别模型 - TSM、Video Swin Transformer 和 Uniformer 上实验表明了所提出的对抗性增强方法的优越性能，从而提高了视频动作识别性能。

    Jan, 2024

  • 隐私保护对抗网络

    利用对抗性神经网络实现随机机制和互信息隐私的变分近似，优化隐私数据发布机制的信息论最优折衷方案，对合成数据和实际数据集 MNIST 进行了验证实验。

    Dec, 2017