k-Same-Siamese-GAN：结合生成对抗网络的 k-Same 算法用于人脸图像去标识化及超参数调优与混合精度训练
计算机视觉与模式识别
2019-09-18 v2 机器学习
机器学习
摘要
对于医院或政府机构等数据持有者，其私有个人数据集合中个人可识别数据的披露和/或处理受法律限制与禁止。那么，“数据持有者如何在去标识化后既隐藏个人数据中每个个体的身份，又保留数据的某些有用方面？”成为一个挑战性问题。本文提出一种高分辨率人脸图像去标识化方法，称为 k-Same-Siamese-GAN，其利用了 k-Same-Anonymity 机制、生成对抗网络（GAN）与超参数调优方法。此外，为加速模型训练并降低内存消耗，还应用了混合精度训练技术，使 kSS-GAN 在闭式身份上提供隐私保护保证，且训练效率大幅提升。最后，为验证其适用性，所提方法已应用于实际数据集 RafD 与 CelebA 进行性能测试。除保护高分辨率人脸图像隐私外，该系统在自动参数调优与突破可调参数数量限制方面的能力亦得到验证。
引用
@article{arxiv.1904.00816,
title = {k-Same-Siamese-GAN: k-Same Algorithm with Generative Adversarial Network for Facial Image De-identification with Hyperparameter Tuning and Mixed Precision Training},
author = {Yi-Lun Pan and Min-Jhih Huang and Kuo-Teng Ding and Ja-Ling Wu and Jyh-Shing Jang},
journal= {arXiv preprint arXiv:1904.00816},
year = {2019}
}