隐私保护深度动作识别：一种对抗学习框架与一个新数据集
计算机视觉与模式识别
2021-03-23 v6
摘要
我们研究了深度学习下基于视频的隐私保护动作识别，这是智能摄像头应用中日益重要的问题。我们提出了一种新颖的对抗训练框架，用于学习输入视频的匿名化变换，从而在匿名化视频上显式优化目标效用任务性能与相应隐私预算之间的权衡。值得注意的是，隐私预算通常在任务驱动语境中定义和度量，无法用任何单一模型性能可靠指示，因为强隐私保护应抵御任何试图窃取私人信息的恶意模型。为解决这个问题，我们提出了模型重启和模型集成两种新的优化策略，以实现针对任何攻击模型的更强通用隐私保护。我们进行了大量实验并分析。另一方面，鉴于带有效用和隐私标签的公开数据集很少，数据驱动（监督）学习无法在此任务上充分发挥作用。我们首先讨论了一种创新的跨数据集训练与评估启发式方法，使得多个单任务数据集（一个带目标任务标签，另一个带隐私标签）可用于我们的问题。为进一步应对该数据集挑战，我们构建了一个称为 PA-HMDB51 的新数据集，在逐帧基础上标注了目标任务标签（动作）和选定的隐私属性（肤色、人脸、性别、裸体和关系）。这个首创的视频数据集与评估协议可极大促进视觉隐私研究并开辟其他机会。我们的代码、模型和 PA-HMDB51 数据集可在 https://github.com/VITA-Group/PA-HMDB51 获取。
引用
@article{arxiv.1906.05675,
title = {Privacy-Preserving Deep Action Recognition: An Adversarial Learning Framework and A New Dataset},
author = {Zhenyu Wu and Haotao Wang and Zhaowen Wang and Hailin Jin and Zhangyang Wang},
journal= {arXiv preprint arXiv:1906.05675},
year = {2021}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). arXiv admin note: text overlap with arXiv:1807.08379