DRAG：用于隐私泄露图像检测的动态区域感知图卷积网络
计算机视觉与模式识别
2022-03-18 v1
摘要
在社交媒体上日常分享图像的做法引发了严重的隐私泄露问题。为解决该问题，近期研究了隐私泄露图像检测，旨在自动识别可能泄露隐私的图像。该任务的最新进展得益于通过预训练目标检测器关注关键目标并建模其相关性。然而，这些方法有两个局限：1）它们忽略了场景、纹理以及预训练目标检测器能力之外的其他目标等重要元素；2）目标间的相关性固定，但固定相关性并不适用于所有图像。为克服这些局限，我们提出动态区域感知图卷积网络（DRAG），其动态找出包含目标及其他重要元素的关键区域，并为每个输入图像自适应地建模其相关性。为找出关键区域，我们将空间相关特征通道聚为若干区域感知特征图。进一步，我们利用自注意力机制动态建模相关性，并通过图卷积网络探索区域间交互。DRAG在最大的隐私泄露图像检测数据集上达到87%的准确率，比当前最优（SOTA）高10个百分点。进一步的案例研究表明，其找出的关键区域不仅包含目标，还包含纹理等其他重要元素。
引用
@article{arxiv.2203.09121,
title = {DRAG: Dynamic Region-Aware GCN for Privacy-Leaking Image Detection},
author = {Guang Yang and Juan Cao and Qiang Sheng and Peng Qi and Xirong Li and Jintao Li},
journal= {arXiv preprint arXiv:2203.09121},
year = {2022}
}
备注
Accepted to AAAI-22, 9 pages