面向隐私保护视觉识别的对抗训练初探

本文旨在通过构建一种独特的对抗训练框架来改进隐私保护视觉识别——这是智能摄像头应用中日益增长的需求。所提框架显式地学习原始视频输入的退化变换，以优化在退化视频上目标任务性能与相关隐私预算之间的权衡。一个显著挑战是，隐私预算通常在任务驱动的背景下定义和度量，无法用任何单一模型性能可靠地指示，因为对隐私的强保护必须能抵御任何可能试图窃取隐私信息的模型。这种不常见的情况促使我们提出两种策略，即预算模型重启与集成，以增强所学退化变换在抵御未知攻击模型时保护隐私的泛化能力。我们相应地设计了新颖的训练策略、评估协议和结果可视化方法。在两个以不同方式定义隐私预算的隐私保护动作识别实验上，表明了所提框架在同时保持高目标任务（动作识别）性能的同时抑制隐私泄露风险方面的显著有效性。