面向机器的隐私保护特征编码

自动化机器视觉流水线无需精确的视觉内容即可执行其任务。因此，存在一种潜力，可在不显著影响其机器视觉精度的前提下从数据中移除隐私信息。我们提出一种新方法，用以创建可供下游机器视觉模型使用的图像隐私保护潜表示。该潜表示通过对抗训练构建，以阻止对输入进行准确重建，同时保留任务精度。具体而言，我们拆分一个深度神经网络（DNN）模型，并插入一个自编码器，其目的在于既降低维度，又移除与输入重建相关的信息，同时将对任务精度的影响降至最低。我们的结果表明，在等效任务精度下，输入重建能力可降低约 0.8 dB，且退化集中于边缘附近，这一点对隐私至关重要。同时，与直接对特征进行编码相比，实现了 30% 的比特节省。