論文の概要: HERS: Homomorphically Encrypted Representation Search

• arxiv url: http://arxiv.org/abs/2003.12197v3
• Date: Sat, 18 Jun 2022 19:26:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 04:54:16.553468
• Title: HERS: Homomorphically Encrypted Representation Search
• Title（参考訳）: HERS:同型暗号化表現検索
• Authors: Joshua J. Engelsma and Anil K. Jain and Vishnu Naresh Boddeti
• Abstract要約: 本稿では,暗号化ドメイン内の大規模ギャラリーに対して,プローブ(あるいはクエリ)画像表現を検索する手法を提案する。 我々の暗号方式は固定長表現の取得方法に従わないため、任意のアプリケーション領域における任意の固定長表現に適用できる。
• 参考スコア（独自算出の注目度）: 56.87295029135185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a method to search for a probe (or query) image representation against a large gallery in the encrypted domain. We require that the probe and gallery images be represented in terms of a fixed-length representation, which is typical for representations obtained from learned networks. Our encryption scheme is agnostic to how the fixed-length representation is obtained and can therefore be applied to any fixed-length representation in any application domain. Our method, dubbed HERS (Homomorphically Encrypted Representation Search), operates by (i) compressing the representation towards its estimated intrinsic dimensionality with minimal loss of accuracy (ii) encrypting the compressed representation using the proposed fully homomorphic encryption scheme, and (iii) efficiently searching against a gallery of encrypted representations directly in the encrypted domain, without decrypting them. Numerical results on large galleries of face, fingerprint, and object datasets such as ImageNet show that, for the first time, accurate and fast image search within the encrypted domain is feasible at scale (500 seconds; $275\times$ speed up over state-of-the-art for encrypted search against a gallery of 100 million). Code is available at https://github.com/human-analysis/hers-encrypted-image-search
• Abstract（参考訳）: 暗号化されたドメイン内の大きなギャラリーに対して,プローブ(あるいはクエリ)画像表現を検索する手法を提案する。 学習ネットワークから得られた表現に典型的である固定長表現を用いて,探索画像とギャラリー画像の表現が要求される。 我々の暗号方式は固定長表現の取得方法に従わないため、任意のアプリケーション領域における固定長表現に適用できる。 本手法はhers (homomorphically encrypted representation search) と呼ばれる。 (i)精度の最小限の損失で推定本質的次元に向かって表現を圧縮すること (ii)完全準同型暗号方式を用いて圧縮表現を暗号化すること、及び (iii)暗号化ドメイン内で直接暗号化された表現のギャラリーを復号することなく効率的に検索する。 ImageNetのような顔、指紋、オブジェクトのデータセットの大きなギャラリーでの数値的な結果から、暗号化されたドメイン内の正確で高速な画像検索は、スケールで実現可能である(500秒; 275\times$ speed up over the-of-the-art search against a Gallery)。 コードはhttps://github.com/human- analysis/hers-encrypted-image-searchで入手できる。

関連論文リスト

• Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。 従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
  論文  参考訳（メタデータ） (2024-09-05T14:22:02Z)
• Recoverable Privacy-Preserving Image Classification through Noise-like Adversarial Examples [26.026171363346975]
  分類などのクラウドベースの画像関連サービスが重要になっている。 本研究では,新しいプライバシー保護画像分類手法を提案する。 暗号化された画像は、秘密鍵を使用して、高い忠実度(保存可能な)で元の形式に復号することができる。
  論文  参考訳（メタデータ） (2023-10-19T13:01:58Z)
• ArctyrEX : Accelerated Encrypted Execution of General-Purpose Applications [6.19586646316608]
  FHE(Fully Homomorphic Encryption)は、計算中のユーザデータのプライバシとセキュリティを保証する暗号化手法である。 我々は、暗号化実行を高速化する新しい技術を開発し、我々のアプローチの顕著な性能上の利点を実証する。
  論文  参考訳（メタデータ） (2023-06-19T15:15:41Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
  ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。 我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
  論文  参考訳（メタデータ） (2023-03-15T15:00:20Z)
• STAIR: Learning Sparse Text and Image Representation in Grounded Tokens [84.14528645941128]
  疎結合なセマンティック表現を構築することは、密度の高いプレゼンテーションと同程度、あるいはそれ以上に強力であることを示す。 CLIPモデルを拡張してスパーステキストと画像表現(STAIR)を構築し、画像とテキストをスパーストークン空間にマッピングする。 CLIPモデルでは、+4.9%$と+4.3%$絶対リコール@1の改善で大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2023-01-30T17:21:30Z)
• Hiding Images in Deep Probabilistic Models [58.23127414572098]
  我々は、画像の深い確率モデルに隠蔽するための異なる計算フレームワークについて述べる。 具体的には、DNNを用いて、カバー画像の確率密度をモデル化し、学習した分布の特定の場所に秘密画像を隠す。 我々は,抽出精度とモデルセキュリティの観点から,SinGANアプローチの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-10-05T13:33:25Z)
• EViT: Privacy-Preserving Image Retrieval via Encrypted Vision Transformer in Cloud Computing [9.41257807502252]
  本稿では,暗号化ビジョン変換器(EViT)という新しいパラダイムを提案する。 EViTは、画像のプライバシーを効果的に保護しつつ、大きなマージンによる検索精度において、現在のスキームよりも優れた暗号化と検索性能を実現する。
  論文  参考訳（メタデータ） (2022-08-31T07:07:21Z)
• Asymmetric Hash Code Learning for Remote Sensing Image Retrieval [22.91678927865952]
  リモートセンシング画像検索のための非対称ハッシュ符号学習(AHCL)という新しい深層ハッシュ法を提案する。 AHCLは、クエリとデータベースイメージのハッシュコードを非対称に生成する。 3つの公開データセットに対する実験結果から,提案手法は精度と効率の点で対称法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-15T07:00:38Z)
• Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
  画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。 エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。 本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-29T14:46:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。