差分隐私 2D 人体姿态估计

人体姿态估计（HPE）已成为诸多应用中的关键技术，包括医疗保健、活动识别和人机交互。然而，处理敏感视觉数据所涉及的隐私问题在关键领域的实际部署中 presents significant 障碍。虽然传统的匿名化技术提供有限的保护且常常以牺牲更广泛的运动分析效果为代价，但差分隐私（DP）提供形式化的隐私保证，但通常在应用于该任务时会降低模型性能。本文提出首个针对差分私有 2D 人体姿态估计（2D-HPE）的全面框架，通过将差分私有随机梯度下降（DP-SGD）应用于该任务。为有效平衡隐私与性能，我们采用投影差分私有 SGD（PDP-SGD），将噪声梯度投射到低维子空间中。随后，我们引入特征差分隐私（FDP）， selectively 私有化仅敏感特征，同时保留公共视觉线索。最后，我们提出一种混合特征-投影 DP 框架，将两种方法结合起来在 HPE 中平衡隐私与准确性。我们在 MPII 数据集上评估了该方法，测试不同的隐私预算、训练策略和裁剪范数。我们的组合特征-投影方法持续优于 vanilla DP-SGD 和各个基线方法，在 $\epsilon = 0.8$ 时实现了最高 82.61% 的 mean [email protected]，显著缩小了与非私有性能之间的差距。该工作为在实际、敏感的应用场景中实现隐私保护的人体姿态估计奠定了基础。