Oct, 2023

图像隐私分类的人类可解释性和深度特征

PDF
TL;DR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。
发现论文，激发创造
  • 解释相关对象和隐私的模型

    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

  • 使用深度神经网络进行图像隐私预测

    本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

    Mar, 2019

  • 使用深度特征预测社交媒体上共享的图片的隐私

    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

  • 构建一种可视化隐私建议系统：理解和预测图像中的隐私风险

    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

  • SensitiveNets: 学习应用于人脸图像的不可知表示

    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

  • 基于内容的图形隐私顾问

    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

  • 医学图像分析中的隐私保护解释

    本文分析现有的隐私保护方法，发现 PPRL-VGAN 深度学习方法在保证隐私的同时保留了与疾病相关的语义特征，但是需要改进医学成像的隐私保护方法。

    Jul, 2021

  • LDP-Feat：带有局部差分隐私的图像特征

    现代计算机视觉服务经常要求用户与不受信任的服务器共享原始特征描述符，这带来隐私风险，为解决此问题，研究人员最近提出了通过将图像特征嵌入一个仿射子空间中从而使其包含原始特征及对抗特征样本来实现特征私有化。本文提出了两种新的反演攻击方法，证明从这些嵌入中可以（近似地）恢复原始图像特征，从而能够恢复敏感的图片内容。鉴于这样的成功和现有视觉隐私方法缺乏理论上的隐私保证，我们进一步提出了第一个通过局部差分隐私来实现图像特征私有化的方法，不同于先前的方法，该方法提供了一个隐私泄露的保证边界，无论攻击的强度如何。此外，我们的方法在视觉定位作为下游任务中表现出很强的性能，并享有隐私保证。

    Aug, 2023

  • 深度学习中的隐私：综述

    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

  • 连接像素与隐私与效用：自动遮挡图片中的私人信息

    本文提出 “分割式打码” 方法，通过对用户研究发现，对涉及个人信息的图片区域进行模糊处理可以保护个人隐私，同时保留图片的有效信息。为此，我们提出了第一个包含多类隐私信息的大规模私人图像数据集，并提出了第一个自动打码模型。

    Dec, 2017