Key-Nets：用于隐私保护视觉传感器的光学变换卷积网络
计算机视觉与模式识别
2020-09-14 v2 图像与视频处理
摘要
现代相机并非以计算机视觉或机器学习为目标应用而设计。需要一类新式的视觉传感器，其从设计上即保护隐私，不泄露私人信息且仅收集目标机器学习任务所需的信息。本文中，我们引入key-nets，其为卷积网络与定制视觉传感器的组合，该传感器施加光学/模拟变换，使得key-net能在此变换后的图像上执行精确的加密推理，但该图像无法被人类或任何其他key-net解读。我们给出了适用于key-net的光学变换的五个充分条件，并证明广义随机矩阵（例如缩放、偏置和分数像素打乱）满足这些条件。我们通过展示若无key-net，直接在光学变换图像上微调以进行人脸识别和物体检测的网络存在效用/隐私权衡，来论证key-net的动机。最后，我们证明key-net等价于使用Hill密码的同态加密，其内存与运行时间的上界随用户指定隐私参数呈二次方增长。因此，key-net是首个基于光学同态加密的实用、高效且隐私保护的视觉传感器。
引用
@article{arxiv.2008.04469,
title = {Key-Nets: Optical Transformation Convolutional Networks for Privacy Preserving Vision Sensors},
author = {Jeffrey Byrne and Brian DeCann and Scott Bloom},
journal= {arXiv preprint arXiv:2008.04469},
year = {2020}
}
备注
BMVC'20 (Best Paper - Runner up)