SocialGuard：一种基于对抗样本的社交图像隐私保护技术
计算机视觉与模式识别
2022-07-05 v1 机器学习
摘要
各类社交平台的流行促使更多人在线分享日常照片。然而，此类在线照片分享行为导致了不良的隐私泄露。基于先进深度神经网络（DNN）的目标检测器可轻易窃取用户于共享照片中暴露的个人信息。本文中，我们提出一种新颖的基于对抗样本的社交图像隐私保护技术，以防范基于目标检测器的隐私窃取。具体而言，我们开发了目标消失算法来生成两类对抗性社交图像。其一可隐藏社交图像中所有目标使之不被目标检测器检出，其二可使定制敏感目标被目标检测器错误分类。目标消失算法在干净社交图像上构造扰动。注入扰动后，社交图像可轻易欺骗目标检测器，而其视觉质量不会下降。我们使用隐私保护成功率与隐私泄露率两个指标来评估所提方法的有效性。实验结果表明，所提方法能有效保护社交图像隐私。该方法在 MS-COCO 与 PASCAL VOC 2007 数据集上的隐私保护成功率分别高达 96.1% 与 99.3%，而在这两个数据集上的隐私泄露率分别低至 0.57% 与 0.07%。此外，相较于现有图像处理方法（低亮度、噪声、模糊、马赛克与 JPEG 压缩），所提方法在隐私保护与图像视觉质量维持方面均能取得远优的性能。
引用
@article{arxiv.2011.13560,
title = {SocialGuard: An Adversarial Example Based Privacy-Preserving Technique for Social Images},
author = {Mingfu Xue and Shichang Sun and Zhiyu Wu and Can He and Jian Wang and Weiqiang Liu},
journal= {arXiv preprint arXiv:2011.13560},
year = {2022}
}