面向行人图像的可学习隐私保护匿名化
计算机视觉与模式识别
2022-07-26 v1 多媒体
摘要
本文研究一种新颖的行人图像隐私保护匿名化问题，其保留授权模型的个人身份信息（PII）并阻止第三方识别 PII。传统匿名化方法不可避免地造成语义信息损失，导致数据效用有限。此外，现有学习型匿名化技术虽保留多种与身份无关的效用，但会改变行人身份，因此不适合训练鲁棒的行人重识别模型。为探索行人图像的隐私-效用权衡，我们提出一种联合学习可逆匿名化框架，可可逆地生成全身匿名图像，且在行人重识别任务上性能下降极小。核心思想是以传统方法生成的脱敏图像作为初始隐私保护监督，并联合训练匿名化编码器、恢复解码器与身份不变模型。我们进一步提出渐进式训练策略以提升性能，其迭代式升级初始匿名化监督。实验进一步证明了我们所匿名化行人图像在隐私保护上的有效性，在保护隐私的同时提升了重识别性能。代码见 \url{https://github.com/whuzjw/privacy-reid}。
引用
@article{arxiv.2207.11677,
title = {Learnable Privacy-Preserving Anonymization for Pedestrian Images},
author = {Junwu Zhang and Mang Ye and Yao Yang},
journal= {arXiv preprint arXiv:2207.11677},
year = {2022}
}
备注
Accepted by ACMMM2022 \url{https://github.com/whuzjw/privacy-reid}