频域中带可学习隐私预算的隐私保护人脸识别
计算机视觉与模式识别
2022-07-20 v3
摘要
人脸识别技术因其高识别精度已被用于许多领域，包括移动设备的人脸解锁、社区门禁系统和城市监控。由于当前的高精度由极深的网络结构保证，人脸图像常常需要传输到具有高性能计算能力的第三方服务器进行推理。然而，人脸图像在视觉上揭示了用户的身份信息。在此过程中，不可信的服务提供商和恶意用户都会显著增加个人隐私泄露的风险。当前的人脸识别隐私保护方法常伴随诸多副作用，例如推理时间显著增加或识别精度明显下降。本文提出一种在频域中使用差分隐私的隐私保护人脸识别方法。由于采用了差分隐私，它在理论上提供了隐私保证。同时，精度的损失非常微小。该方法首先将原始图像转换到频域并去除称为DC的直流分量。然后在差分隐私框架内，可基于后端人脸识别网络的损失学习一种隐私预算分配方法。最后，向频域特征添加相应噪声。根据大量实验，我们的方法在多个经典人脸识别测试集上表现非常出色。
引用
@article{arxiv.2207.07316,
title = {Privacy-Preserving Face Recognition with Learnable Privacy Budgets in Frequency Domain},
author = {Jiazhen Ji and Huan Wang and Yuge Huang and Jiaxiang Wu and Xingkun Xu and Shouhong Ding and ShengChuan Zhang and Liujuan Cao and Rongrong Ji},
journal= {arXiv preprint arXiv:2207.07316},
year = {2022}
}
备注
ECCV 2022; Code is available at https://github.com/Tencent/TFace/tree/master/recognition/tasks/dctdp