ImageNet 中人脸模糊化的研究
计算机视觉与模式识别
2022-06-10 v3
摘要
人脸模糊化（模糊、马赛克等）已被证明对隐私保护有效；然而，物体识别研究通常假设可访问完整、未模糊的图像。在本文中，我们探究了人脸模糊化在流行的 ImageNet 挑战视觉识别基准上的影响。ImageNet 挑战中的大多数类别并非人物类别；但许多 incidental 人物出现在图像中，其隐私是一个问题。我们首先标注数据集中的人脸。然后我们证明人脸模糊化对识别模型的精度影响极小。具体而言，我们在模糊图像上基准测试多个深度神经网络，观察到整体识别精度仅轻微下降（≤ 1.0%）。进一步，我们实验了向 4 个下游任务（物体识别、场景识别、人脸属性分类和物体检测）的迁移学习，并表明在模糊图像上学习的特征具有同等的迁移能力。我们的工作展示了隐私感知视觉识别的可行性，改进了被广泛使用的 ImageNet 挑战基准，并为未来的视觉数据集指明了一条重要路径。数据和代码可在 https://github.com/princetonvisualai/imagenet-face-obfuscation 获取。
引用
@article{arxiv.2103.06191,
title = {A Study of Face Obfuscation in ImageNet},
author = {Kaiyu Yang and Jacqueline Yau and Li Fei-Fei and Jia Deng and Olga Russakovsky},
journal= {arXiv preprint arXiv:2103.06191},
year = {2022}
}
备注
Accepted to ICML 2022