一种隐私增强技术，用于规避街道视频摄像机的检测，无需对抗配件
计算机视觉与模式识别
2025-01-28 v1
摘要
本文提出一种隐私增强技术，利用自动行人检测算法的内在特性，即基于深度神经网络(DNN)的方法在训练时通常使用精选数据集和实验室环境，而实际应用区域则是动态的真实世界环境。具体而言，我们利用这一实验室与现实世界之间的差距所带来的新奇副作用：基于位置的行人检测弱点。我们展示了人的位置(距离、角度、高度)以及环境光照水平直接影响行人检测器对行人的置信度。我们进一步展示了这一现象在观察静态行人交通场景的行人检测器中同样存在，存在行人置信度较低的盲区区域。我们展示了隐私关注的行人如何利用这些盲区来构建两点之间的最低置信度路径，从而在场景内的直接路径和随机路径中，将该路径的最大置信度和平均置信度分别降低最高可达0.09和0.13。为对抗这一现象，迫使使用更昂贵且更复杂的方法来利用这一漏洞，我们提出了一种新颖的对策，以提高盲区内行人检测器的置信度，将本技术生成的路径的最大/平均置信度分别提高了0.09和0.05。此外，我们展示了我们的对策提高了基于Faster R-CNN的行人检测器的检出率(TPR)和平均正确置信度，分别提高了0.03和0.15。
引用
@article{arxiv.2501.15653,
title = {A Privacy Enhancing Technique to Evade Detection by Street Video Cameras Without Using Adversarial Accessories},
author = {Jacob Shams and Ben Nassi and Satoru Koda and Asaf Shabtai and Yuval Elovici},
journal= {arXiv preprint arXiv:2501.15653},
year = {2025}
}