用于协同目标检测的隐私保护自编码器

在协同机器视觉中，隐私是一个至关重要的问题，其中深度神经网络 (DNN) 模型的一部分在边缘运行，其余部分在云端执行。在此类应用中，机器视觉模型不需要确切的视觉内容来执行其任务。利用这一潜力，可以从数据中移除私有信息，只要这不显著损害机器视觉系统的准确性。在本文中，我们提出了一种集成在目标检测流水线中的自编码器风格网络，该网络生成输入图像的潜在表示，在保留任务相关信息的同时移除私有信息。我们的方法采用对抗训练策略，不仅从自编码器的瓶颈中移除私有信息，还促进了由 VVC-Intra 等传统编解码器编码的特征通道的压缩效率提升。我们使用一个现实的隐私评估框架来评估所提出的系统，直接测量人脸和车牌识别的准确率。实验结果表明，与直接编码输入图像相比，我们提出的方法能够在保持相同目标检测准确率的同时显著降低码率，同时保持从瓶颈特征恢复的图像中的人脸和车牌识别准确率较低，这意味着强大的隐私保护。我们的代码可在 https://github.com/bardia-az/ppa-code 获取。