时序不可撤回示例：通过目标跟踪防止个人视频数据被未授权利用

随着社交媒体的兴起，大量用户上传的视频（如 YouTube）被用作视觉对象跟踪（VOT）的训练数据。然而，VOT 社区在很大程度上忽略了视频数据隐私问题，因为许多私人视频被收集且用于训练商业模型而未获授权。为缓解这些问题，本文提出了首次针对深度跟踪器防止个人视频数据被未授权利用的调查。现有方法主要针对图像基任务（如图像分类），直接应用于视频存在若干局限，包括效率低下、有效性有限和泛化性差。为解决这些问题，我们提出了一种新型生成框架，用于生成时序不可撤回示例（Temporal Unlearnable Examples, TUEs），其高效计算使其可扩展到大规模视频数据集。使用 TUEs 训练的跟踪器高度依赖用于时序匹配的不可撤回噪声，忽略原始数据结构，从而确保训练视频数据隐私。为增强 TUEs 的有效性，我们引入时序对比损失（temporal contrastive loss），进一步扰乱使用 TUEs 训练现有跟踪器的学习。大量实验表明，我们的方法在视频数据隐私保护方面实现了最佳性能，并在 VOT 模型、数据集和时序匹配任务之间具有强大的可迁移性。