面向匿名化学习图像压缩的感兴趣区域损失

AI在公共空间的广泛应用不断引发关于隐私和敏感数据保护的关注。其中一个典型场景是部署在人类监控摄像头上的检测与识别方法，这些摄像头获取大量敏感数据。当前，图像在捕获和传输过程中保持未经处理的状态，以便在网络上的服务器接收。然而，许多应用并不明确要求场景中特定人员的身份标识；仅需包含人员位置信息且保留场景中人物存在的匿名表示即可。我们展示，使用针对感兴趣区域（ROI）的定制化损失函数，可实现足够的匿名化处理，使人脸难以识别同时保持人物可检测性。具体方法是训练一个端到端优化的自编码器用于学习图像压缩，利用其分析与重建变换的灵活性，对压缩结果的特定部分进行变形，从而实现压缩与匿名化一体化的效果。该方法使捕获设备无需传输未经匿名化的敏感数据即可完成压缩处理。此外，我们评估了该匿名化方法对预训练基础模型（用于人脸检测的MTCNN和用于人体检测的YOLOv8）的平均精度影响，并考虑压缩率和延迟。