基于标签像素块混合的轻量级隐私保护深度学习图像分类方案
计算机视觉与模式识别
2024-01-08 v1 图像与视频处理
摘要
为确保深度学习模型训练所用敏感数据的隐私，研究界已设计多种隐私保护方法。然而，现有方案通常设计用于处理文本数据，或在使用大量图像训练时效率不高。因此，本文提出一种轻量级高效方法，在保持训练集可用性的同时保护图像隐私。具体而言，我们设计了用于深度学习图像分类隐私保护的像素块混合算法。为评估其效用，我们使用混合训练集在WIKI数据集和CNBC人脸数据集上训练ResNet50、VGG16、InceptionV3和DenseNet121模型。测试集上的实验结果表明，我们的方案在保持深度学习模型训练集可用性的同时保护了图像隐私。此外，实验结果证明，我们在WIKI数据集上VGG16模型以及CNBC数据集上ResNet50和DenseNet121均取得良好性能。像素块算法在图像混合中达到相当高的效率，且攻击者将混合训练集恢复至原始训练集在计算上具有挑战性。此外，可对混合训练集应用数据增强以提升训练有效性。
引用
@article{arxiv.2105.08876,
title = {A Lightweight Privacy-Preserving Scheme Using Label-based Pixel Block Mixing for Image Classification in Deep Learning},
author = {Yuexin Xiang and Tiantian Li and Wei Ren and Tianqing Zhu and Kim-Kwang Raymond Choo},
journal= {arXiv preprint arXiv:2105.08876},
year = {2024}
}
备注
11 pages, 16 figures