揭示性能差距：人类匿名化及其对视频异常检测影响的比较研究

深度学习的进步改善了监控视频中的异常检测，但由于收集了敏感的人类数据，引发了紧迫的隐私担忧。在本文中，我们对四种人类匿名化技术下的异常检测性能进行了全面分析，包括模糊、遮盖、加密和虚拟形象替换，这些技术均应用于 UCF-Crime 数据集。我们在匿名化的 UCF-Crime 数据集上评估了四种异常检测方法：MGFN、UR-DMU、BN-WVAD 和 PEL4VAD，以揭示每种方法如何响应不同的混淆技术。实验结果表明，异常检测在匿名化数据下仍然可行，且取决于算法设计和学习策略。例如，在某些匿名化模式（如加密和遮盖）下，由于算法组件对这些噪声模式的强响应，部分模型无意中获得了比原始数据更高的 AUC 性能。这些结果突显了算法对匿名化的特定敏感性，并强调了保护隐私与维持检测效用之间的权衡。此外，我们将这些传统匿名化技术与新兴的隐私优先设计解决方案进行了比较，突出了稳健的隐私保护与效用灵活性之间经常被忽视的权衡。通过全面的实验与分析，本研究为平衡人类隐私与异常检测需求提供了令人信服的基准与见解。