面向骨架动作识别的匿名化
计算机视觉与模式识别
2023-02-15 v3 机器学习
摘要
基于骨架的动作识别因其数据集的轻量、紧凑特性而吸引了从业者和研究者。与基于RGB视频的动作识别相比，基于骨架的动作识别是在保持有竞争力识别性能的同时保护受试者隐私的更安全方式。然而，由于骨架识别算法以及运动和深度传感器的改进，更多运动特征细节可保留于骨架数据集中，导致潜在的隐私泄露。我们首先训练分类器从骨架轨迹中对隐私信息进行分类，以探究骨架数据集的潜在隐私泄露。我们的初步实验表明，性别分类器平均达到87%准确率，重识别分类器在使用三种基线模型（Shift-GCN、MS-G3D和2s-AGCN）时平均达到80%准确率。我们提出了一种基于对抗学习的匿名化框架，以保护骨架数据集的潜在隐私泄露。实验结果表明，匿名化数据集可降低隐私泄露风险，且即使采用简单匿名化器架构也对动作识别性能影响甚微。我们实验中使用的代码见https://github.com/ml-postech/Skeleton-anonymization/。
引用
@article{arxiv.2111.15129,
title = {Anonymization for Skeleton Action Recognition},
author = {Saemi Moon and Myeonghyeon Kim and Zhenyue Qin and Yang Liu and Dongwoo Kim},
journal= {arXiv preprint arXiv:2111.15129},
year = {2023}
}