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。

Jun, 2019

我们提出了一种通过人工选择隐私模板的方案来解决行为识别中的隐私保护问题，并利用一种有选择性隐藏属性且引入时间一致性的模糊化方法，该方法不需要重新训练，并在三个广泛使用的数据集上表现出较高的灵活性和性能。

Mar, 2024

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

提出了一种隐私保护的无镜头编码光阑相机系统，用于人类动作识别，使用深度神经网络以输入非可逆运动特征进行动作识别。

Feb, 2019

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

本研究探讨了使用像素化和颜色量化实现差分隐私机制来保护图像数据，以减少意外任务表现，同时保持高度再识别性能的可能性。

Jun, 2023

本文提出了一种基于三重编码器 - 解码器架构并具有人类感知去模糊模型，其将前景和背景的运动模糊进行解耦，并利用监督的人类感知注意机制来进一步提高效果，同时引入一个名为 HIDE 的大规模数据集。实验结果表明，该模型在去除运动模糊的语义细节方面表现出色。

Jan, 2020

该研究提出一种轻型的生成网络，用于提高压缩视频中噪声较多的运动向量的信噪比和准确性，从而实现更具有辨别力的运动提示 (DMC) 表示，并在行动识别任务中进行了联合训练，从而接近于光流使用的高精度；该方法在三个行动识别数据集上进行了广泛的评估，并证实了其有效性。

Jan, 2019

通过低位量化的新视角以及引入时间依赖性，本文提出了一种视频网络的新的量化方案 Residual Quantization（ResQ），以降低冗余计算并提高准确性和比特位宽。此外，还通过动态调整比特位宽来适应视频中的变化，通过在语义分割和人体姿势估计基准上的实验证明该方法优于标准量化和现有高效视频感知模型。

Aug, 2023

本文提出动态网络量化框架，依据每个输入帧选择最佳精度以实现高效的视频识别，实验结果显示，在四种具有挑战性的基准数据集上，与现有先进方法相比，该方法提供了显著的计算和内存使用节约，同时保持竞争性能。

Aug, 2021