面向特定领域人脸检测的隐私保护在线自动机器学习
计算机视觉与模式识别
2022-03-17 v1
摘要
尽管通用人脸检测取得了令人印象深刻的进展，超参数与架构的调优对特定领域人脸检测器的性能仍至关重要。尽管现有 AutoML 工作可加速该过程，它们要么需为新场景从头调优，要么未考虑数据隐私。为进行扩展，我们从平台视角推导出一种新 AutoML 设定。在该设定下，新数据集依次到达平台，平台为各数据集推荐架构与超参数配置以训练最优人脸检测器。然而，这带来两大挑战：(1) 因隐私顾虑，如何在不接触原始图像的情况下为任意给定数据集预测最佳配置？以及 (2) 如何持续从先前任务改进 AutoML 算法并为未来任务提供更好的预热？我们引入“HyperFD”，一种面向人脸检测的隐私保护在线 AutoML 框架。其核心部分提出了一种数据集的元特征表示及其学习范式。得益于 HyperFD，每个本地任务(客户端)能有效利用先前任务的学习“经验”而无需向平台上传原始图像；同时，元特征提取器被持续学习以更好地权衡偏差与方差。大量实验证明了我们设计的有效性与高效性。
引用
@article{arxiv.2203.08399,
title = {Privacy-preserving Online AutoML for Domain-Specific Face Detection},
author = {Chenqian Yan and Yuge Zhang and Quanlu Zhang and Yaming Yang and Xinyang Jiang and Yuqing Yang and Baoyuan Wang},
journal= {arXiv preprint arXiv:2203.08399},
year = {2022}
}
备注
Accepted to CVPR 2022. Code will be available soon