基于分割学习的安全空中监视
分布式、并行与集群计算
2021-07-20 v1
摘要
用于个人监控的设备如骑行头盔相机记录事故或行车记录仪捕捉碰撞已大量普及,越来越多公司生产更小巧紧凑的录制装置。随着这些设备成为市民日常装备的一部分,对居民隐私的担忧也在加剧。因此,本文提出SASSL,一种利用分割学习对街道上是否存在火灾进行分类的安全空中监视无人机。这种创新的分割学习方法将无人机捕获的CCTV footage传输至附近服务器,运行深度神经网络实时检测火灾存在,而不暴露原始数据。我们设计了一个场景:监视无人机在郊区巡弋,记录任何异常行为。无人机可通过其移动端深度神经网络系统处理录像,或将信息传输给服务器。由于移动无人机资源受限,其无力独立运行整个深度神经网络。此时分割学习方法便派上用场。无人机仅运行深度神经网络至第一隐藏层,并将仅特征图发送至云服务器,其余深度神经网络部分在服务器端处理。通过确保学习过程在无人机与服务器间分割,原始数据隐私得以保护,同时无人机不会过度消耗其有限资源。
引用
@article{arxiv.2107.08628,
title = {Secure Aerial Surveillance using Split Learning},
author = {Yoo Jeong Ha and Minjae Yoo and Soohyun Park and Soyi Jung and Joongheon Kim},
journal= {arXiv preprint arXiv:2107.08628},
year = {2021}
}