FlowSAN：用于混淆任意基于人脸的性别分类器的隐私增强型半对抗网络
计算机视觉与模式识别
2019-05-07 v1
摘要
现代数字时代的隐私担忧促使研究者开发相关技术，使用户能够有选择地抑制所收集数据中的某些信息，同时允许提取其他信息。在这方面，半对抗网络（SAN）近来作为一种为人脸图像赋予软生物特征隐私的方法而出现。SAN 能够对输入人脸图像进行修改，使所得人脸图像仍可被任意常规人脸匹配器可靠地用于识别目的，同时混淆性别分类器等属性分类器。然而，SAN 在任意性别分类器上的泛化能力一直是一个未决问题。在本工作中，我们提出一种新方法 FlowSAN，使 SAN 能够泛化到多个未见过的性别分类器。我们提出组合一组多样的 SAN 模型以互补彼此弱点，从而形成具有改进泛化能力的鲁棒模型。使用不同未见性别分类器和人脸匹配器的大量实验证明了所提范式在为人脸图像赋予性别隐私方面的有效性。
引用
@article{arxiv.1905.01388,
title = {FlowSAN: Privacy-enhancing Semi-Adversarial Networks to Confound Arbitrary Face-based Gender Classifiers},
author = {Vahid Mirjalili and Sebastian Raschka and Arun Ross},
journal= {arXiv preprint arXiv:1905.01388},
year = {2019}
}
备注
11 pages, 8 figures, 3 and 2 supplementary pages