深度投毒：面向抵御视觉泄露的鲁棒图像数据共享
计算机视觉与模式识别
2020-11-10 v2 密码学与安全
机器学习
图像与视频处理
摘要
由于训练数据各自有限，基于某些敏感图像解决同一视觉任务的不同实体可能无法训练出鲁棒的深层网络。本文引入一项新视觉任务，其中各实体共享任务特定的图像数据以扩充彼此的训练数据量，同时不在视觉上泄露敏感内容（例如非法图像）。随后，我们提出一种新的基于结构的训练机制，使不同实体能够学习用于图像数据共享的任务特定且抗重建的图像表示。具体而言，每个实体学习一个私有的深度投毒模块（DPM）并将其插入为执行特定视觉任务而预训练的深层网络中。该 DPM 有意毒化卷积图像特征以防止图像重建，同时确保被改动的图像数据在该特定视觉任务上与非毒化数据功能等价。鉴于此等价性，从一个实体共享的毒化特征可被另一实体用于进一步模型精化。图像分类上的实验结果证明了所提方法的有效性。
引用
@article{arxiv.1912.06895,
title = {Deep Poisoning: Towards Robust Image Data Sharing against Visual Disclosure},
author = {Hao Guo and Brian Dolhansky and Eric Hsin and Phong Dinh and Cristian Canton Ferrer and Song Wang},
journal= {arXiv preprint arXiv:1912.06895},
year = {2020}
}