从视觉实体中学习隐私

Alessio Xompero; Andrea Cavallaro

从视觉实体中学习隐私

计算机视觉与模式识别 2025-03-18 v1 机器学习

作者: Alessio Xompero , Andrea Cavallaro

摘要

主观解释和内容多样性使得预测图像是否为私有或公开成为一项具有挑战性的任务。结合卷积神经网络（CNNs）的图神经网络（包含14,000至5亿个参数）为视觉实体（如场景和物体类型）生成特征，并识别对决策有贡献的实体。本文，我们表明使用迁移学习和CNN的更简单组合来关联隐私与场景类型，仅优化732个参数即可达到与基于图的方法相当的性能。相反，基于图的方法的端到端训练可能掩盖各组成成分对分类性能的贡献。此外，我们表明使用CNN为每个视觉实体提取的高维特征向量是不必要的，并会使模型复杂化。图组件对性能的影响也可忽略不计，性能由针对隐私节点微调CNN以优化图像特征所驱动。

关键词

隐私预测视觉实体图神经网络卷积神经网络迁移学习场景类型特征向量

引用

@article{arxiv.2503.12464,
  title  = {Learning Privacy from Visual Entities},
  author = {Alessio Xompero and Andrea Cavallaro},
  journal= {arXiv preprint arXiv:2503.12464},
  year   = {2025}
}

备注

21 pages (13 for the main article, 8 for bibliography, acks, appendixes), 9 figures, 12 tables. Article accepted and to appear in the Proceedings on Privacy Enhancing Technologies, 2025 (3): https://petsymposium.org/popets/2025/. To be presented at the Privacy Enhancing Technologies Symposium 2025. Artifact (source code) under review: https://github.com/graphnex/privacy-from-visual-entities

从视觉实体中学习隐私

摘要

关键词

引用

备注

相关论文