SPAct：用于动作识别的自监督隐私保护
计算机视觉与模式识别
2022-03-30 v1 密码学与安全
机器学习
摘要
视觉隐私信息泄露是活动识别等视频理解应用快速发展中一个新兴的关键问题。现有缓解动作识别中隐私泄露的方法需要视频数据集提供隐私标签及动作标签。然而，为视频数据集标注帧级隐私标签并不可行。自监督学习（SSL）的最新进展释放了未标注数据的潜力。我们首次提出一种新颖的训练框架，以自监督方式从输入视频中移除隐私信息，无需隐私标签。我们的训练框架由三个主要组件构成：匿名化函数、自监督隐私移除分支和动作识别分支。我们使用极小极大优化策略训练框架，通过对比自监督损失最小化动作识别代价函数并最大化隐私代价函数。采用已知的动作与隐私属性协议，我们的框架在与现有最先进（SOTA）监督方法相比时取得了有竞争力的动作-隐私权衡。此外，我们引入一种新协议来评估所学匿名化函数对新颖动作与隐私属性的泛化能力，并表明我们的自监督框架优于现有监督方法。代码见：https://github.com/DAVEISHAN/SPAct
引用
@article{arxiv.2203.15205,
title = {SPAct: Self-supervised Privacy Preservation for Action Recognition},
author = {Ishan Rajendrakumar Dave and Chen Chen and Mubarak Shah},
journal= {arXiv preprint arXiv:2203.15205},
year = {2022}
}
备注
CVPR-2022