Mar, 2024

用于行动识别的选择性、可解释性和动作一致的隐私属性混淆

PDF
TL;DR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。
发现论文，激发创造
  • 隐私保护深度行动识别：对抗学习框架和新数据集

    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

  • ImageNet 中人脸混淆的研究

    本文研究了面部模糊化对 ImageNet 视觉识别基准的影响，结果显示面部模糊化对图像识别的准确性影响很小，预训练的深度神经网络在面部模糊化的图像上表现稳定，并且面部模糊化的数据在迁移学习中同样具有良好的转移性能。

    Mar, 2021

  • SPAct：自监督隐私保护的行为识别

    本研究提出了一种基于自监督学习的训练框架，可以在不需要隐私标签的情况下从输入视频中删除隐私信息，并在已知行动和隐私属性协议的基础上实现具有竞争力的行动隐私平衡，同时对学到的匿名函数进行新行动评估。

    Mar, 2022

  • DeepObfuscator：在智能手机上使用隐私保护对抗学习来混淆中间表示

    本文提出了一种基于对抗训练的框架 DeepObfuscator，使用专门设计的学习性混淆器来保护在移动设备上运行的深度学习模型的隐私，从而防止被攻击者利用从原始数据中提取的特征进行图像重建和私有属性推断。实验结果表明，使用该算法后，重建图像的质量明显下降，无法对人物进行重新识别，同时攻击者获得的隐私信息分类准确度也显著降低。

    Sep, 2019

  • 学习面部匿名化技术以保护隐私的动作检测

    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

  • 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

  • 运动差异量化隐私保护动作识别

    提出一种名为 BDQ 的简单而强大的隐私保护编码器，用于处理智能计算机视觉系统的人类动作识别，由模糊、差分和量化三个模块组成，并经过对抗性训练进行参数优化，实验结果表明该编码器的性能优于之前的工作。

    Aug, 2022

  • 感知不可辨识网络（PI-Net）：可操作语义的面部图像混淆

    研究提出了一种基于知觉不可辨别性 (PI) 的隐私保护机制，即 PI-Net，以保护图像数据集中的敏感信息，并提高隐私保护的效用，取得了显著的优势。

    Apr, 2021

  • 通过对抗训练实现隐私保护视觉识别：一项试点研究

    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

  • 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