Nov, 2022

IEEE 大数据杯 2022：基于深度学习的加密图像隐私保护匹配

PDF
TL;DR本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。
smart citiessmart sensorsprivacy preservationencryption techniquesdeep convolutional neural networks
发现论文，激发创造
  • 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

  • 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

  • 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

  • 使用全同态加密的安全人脸匹配

    本文研究了基于完全同态加密框架来保护面部模板数据库的隐私，并探索了一个批量处理和降维计算方案来权衡面部匹配准确性和计算复杂性，实验结果表明，安全面部匹配在维护匹配性能的同时，也已经可以得到实用。

    May, 2018

  • 利用全同态加密增强面部分析的隐私

    我们提出了一种新颖的技术，结合了全同态加密（FHE）和现有的模板保护方案 PolyProtect，通过多项式变换将嵌入式压缩加密，进一步保护密集的 PolyProtect 模板，确保面部嵌入的不可逆性和不可关联性，有效地防止了从面部嵌入中泄露软生物识别属性而不损害识别准确性。

    Apr, 2024

  • 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

  • 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

  • 生成对抗性身份口罩实现面部加密

    本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。

    Mar, 2020

  • 使用双重排列同态加密实现隐私保护的视觉学习

    本文提出了一个隐私保护的视觉分类器学习框架，利用分布式私有图像数据进行学习，并使用同态加密系统保护数据隐私。通过 DPHE 和稀疏数据约束方法提高同态加密的运算效率，最终得出在保证数据隐私的前提下，能够与最先进的视觉识别方法媲美的分类器。

    Apr, 2017

  • 可学习的图像加密

    介绍了一种可学习的图像加密方案，用于保护图像隐私，在不侵犯隐私的前提下，通过加密的图像进行网络训练并得到验证。

    Mar, 2018