迈向隐私保护、实时且无损的特征匹配
计算机视觉与模式识别
2022-08-02 v1
摘要
大多数视觉检索应用存储特征向量以用于下游匹配任务。这些向量可能泄露用户信息，若未加妥善保护将导致隐私泄漏。为缓解隐私风险，现有工作主要利用不可逆变换或全密码学算法。然而，基于变换的方法通常难以获得满意的匹配性能，而密码系统则承受沉重计算开销。此外，现有方法的安全等级有待提升以应对潜在敌手攻击。针对这些问题，本文提出一种称为 SecureVector 的插件模块，通过随机置换、4L-DEC 转换及现有同态加密技术保护特征。SecureVector 首次在净化后的特征之间实现实时且无损的特征匹配，且安全等级远高于当前最优（SOTA）方法。在人脸识别、行人重识别、图像检索及隐私分析上的大量实验证明了我们方法的有效性。鉴于该领域公开项目有限，我们方法的代码及实现的基线已在 https://github.com/IrvingMeng/SecureVector 开源。
引用
@article{arxiv.2208.00214,
title = {Towards Privacy-Preserving, Real-Time and Lossless Feature Matching},
author = {Qiang Meng and Feng Zhou},
journal= {arXiv preprint arXiv:2208.00214},
year = {2022}
}