Mar, 2024

SHAN: 基于场景异质图的目标级隐私检测

PDF
TL;DR通过构建场景异构图和利用自注意机制对场景推理，提出了 SHAN（Scene Heterogeneous graph Attention Network）模型，用于目标级别隐私检测任务，实验证明 SHAN 在隐私对象检测任务中表现出色，所有指标均超过基准模型。
privacy object detectionprivacy rightsdata handling practicesprivacy datasetsshan
发现论文，激发创造
  • 超越视觉外观：通过混合图推理进行隐私敏感对象识别

    隐私敏感目标识别任务通过为场景中的隐私敏感目标分配边界框来确定对象的隐私类别，并将该任务解释为场景中每个对象的隐私视角的视觉推理任务；因此，本文提出了一种名为 PrivacyGuard 的框架来处理此任务，该框架包含了三个核心阶段：结构化、数据增强和混合图生成与推理，通过这些阶段，可以改善场景的推理能力，并捕捉到微妙的上下文变化。

    Jun, 2024

  • 图像隐私预测的动态深度多模态融合

    提出了一种融合来自卷积神经网络的对象、场景上下文和图像标签模态的方法，以准确预测在线分享图像的隐私。该方法可以识别出最有竞争力的模态，并预测目标图像的隐私标签。实验结果证明，该方法比单一模态和先前的隐私预测模型更准确地预测了敏感（或私密）内容。

    Feb, 2019

  • 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

  • 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

  • 领域不变学习用于全景场景图生成

    通过测量主题对象对之间的谓词预测风险，以及学习不变的谓词表示嵌入，我们提出了一种新的框架来推断潜在的有偏见注释并将其自适应地转移为一致的注释，从而显著提高了基准模型的性能，达到了最新的最佳表现，并在 Panoptic 场景图生成数据集上展示了很好的泛化和有效性。

    Oct, 2023

  • 室内场景识别的物体间判别图建模

    本文提出了一种利用判别性物体知识增强场景特征表示的方法，并通过构建判别性图网络（DGN）以及生成物体场景辨别原型（IODP），将物体知识融入图像表示中，从而在多个常用场景数据集上取得了最先进的结果，证明了该方法的有效性。

    Nov, 2023

  • 结构推断网络：利用场景级别上下文和实例级别关系进行目标检测

    本研究提出一种基于图结构推理的对象检测算法，同时考虑了对象的视觉外观、场景语境以及对象之间的关系，并将其视为认知和推理问题，通过实验表明，这种方法确实可以提高对象检测的性能。

    Jun, 2018

  • 隐私信息分类：一种混合方法

    本研究旨在提出和开发混合隐私分类方法，以检测和分类 OSNs 中的隐私信息，并采用深度学习模型和基于本体论的模型进行隐私相关信息提取，实验结果表明该混合方法可有效帮助在线社交网络用户防范隐私泄漏。

    Jan, 2021

  • 利用空间不变性进行可扩展的无监督物体跟踪

    提出了一种能够应对大场景和多物体的无监督对象跟踪体系结构，包括空间不变运算（卷积和空间注意）和本地对象表示方案，在多个实验中展现了在有多个物体的混乱场景中跟踪对象比其他方法更好，并且能够很好地推广到训练时未遇到的更大，物体更多的视频中。

    Nov, 2019

  • 自适应注意力网络的小样本目标检测在遥感图像中的应用

    本文提出了一种基于关系 GRU 单元和自适应注意力网络（SAAN）的少样本目标检测器，以检测仅提供了少数样本的新物体，并通过关注对象级别的关系来提高检测准确性。

    Sep, 2020