MMMar, 2022

基于像素的加密方法用于隐私保护深度学习模型

PDF
TL;DR本文提出了一种有效的基于像素的感知加密方法，采用混沌映射生成的序列对像素值进行异或运算。已验证该方法在保持原始图像固有属性的同时提供了必要的安全性，且应用于数据集 CIFAR 上时，其分类精度与现有方法相当，同时提高了安全性。
privacy-preserving deep learningpixel-based perceptual encryption methodchaotic maplogistic maps, cifar datasets
发现论文，激发创造
  • 考虑加密域中数据增强的基于像素图像加密的隐私保护深度神经网络

    本研究提出了一种新的隐私保护深度神经网络方案，既能够在训练和测试中将缺乏视觉信息的图像应用于 DNNs，也能够首次在加密域中考虑数据增强，该方法采用了一种新的基于像素的图像加密方法，同时提出了一种适应性网络以降低图像加密的影响，并对知名的 ResNet-18 网络应用该方法进行图像分类实验，结果表明，在加密域中进行数据增强的传统隐私保护机器学习方法包括现有最先进的方法都无法应用，而所提出的方法在分类精度方面表现卓越。

    May, 2019

  • 面向隐私保护深度神经网络的图像加密方案攻击

    该研究针对深度神经网络中的图像应用提出了一种加密技术，并尝试通过选择明文和密文攻击来测试其安全性。

    Apr, 2020

  • 具有秘密密钥的分块图像转换用于对抗性鲁棒防御

    本文提出了一种新的防御方法，通过像素重排、位反转和 FFX 加密三种算法对输入图像进行块状预处理，使用该方法在 CIFAR-10 和 ImageNet 数据集中的黑盒和白盒攻击实验中均能保持较高分类准确性，是当前已知的对抗防御技术中最优秀的。

    Oct, 2020

  • 隐私保护的深度学习：基于可变形算子进行安全任务学习

    在云计算和数据驱动应用的时代，保护敏感信息以维护数据隐私是至关重要的，因此，保护深度学习系统中的隐私成为一个关键问题，本研究提出了一种使用一组可形变操作符进行安全任务学习的新型隐私保护框架，在模拟 - 数字转换过程中对像素进行打乱以生成视觉上受保护的数据，然后将其输入到一个融合了可形变操作符的著名网络中，使用我们的方法，用户可以在不进行额外训练的情况下实现与原始图像等效的性能，同时，我们的方法还可以防止未经授权的用户访问，实验证明了我们方法的有效性，展示了它在基于云的场景和隐私敏感应用中的潜力。

    Apr, 2024

  • 使用动态混沌查找表的图像加密

    本文提出了一种基于混沌理论的图像加密方案，使用动态混沌查找表来计算每个像素的密文，不同的实验验证表明该加密方案具有较高的安全性。

    Feb, 2016

  • 无法察觉的人类图像，可被机器识别

    本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。

    Jun, 2023

  • 保护隐私的加密低剂量 CT 降噪

    本文提出了在加密领域直接去噪低剂量计算机断层成像，以实现隐私保护的云服务，同时通过同态加密算法实现了数据隐私的保护和服务器模型的防泄露。

    Oct, 2023

  • 使用机密秘钥训练 DNN 模型进行模型保护

    本文提出了一种使用分块像素置换和秘密密钥作为预处理技术来保护模型的方法，实验结果表明，当密钥正确时，保护模型的性能接近于非受保护模型，而当给出错误的密钥时，准确度会严重下降，但所提出的模型保护在不仅抵御暴力攻击和微调攻击方面具有鲁棒性，同时还保持几乎与使用非受保护模型相同的性能精度。

    Aug, 2020

  • 基于深度学习的图像去混淆技术

    利用基于人工神经网络的现代图像识别方法，我们证明了可以从经过各种混淆保护的图像中恢复隐藏的信息，包括像素化、模糊和加密等技术，我们还证明通过训练人工神经网络即使这些图像被保护，也可以成功识别面部、识别物体和手写数字。

    Sep, 2016

  • PixelDefend：利用生成模型理解和防御对抗样本

    本文提出了一种名为 PixelDefend 的新方法，可以通过将恶意扰动图像移回训练数据中所看到的分布来净化这些图片，然后在经过未经修改的分类器时进行分类，从而大大提高了各种最先进攻击方法的弹性。

    Oct, 2017