論文の概要: Privacy-sensitive Objects Pixelation for Live Video Streaming
- arxiv url: http://arxiv.org/abs/2101.00604v1
- Date: Sun, 3 Jan 2021 11:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 04:04:53.150508
- Title: Privacy-sensitive Objects Pixelation for Live Video Streaming
- Title（参考訳）: ライブビデオストリーミングのためのプライバシーに敏感なオブジェクトの表示
- Authors: Jizhe Zhou, Chi-Man Pun, Yu Tong
- Abstract要約: ライブビデオストリーミング中に自動的にパーソナルプライバシフィルタリングを行うための新しいPrivacy-sensitive Objects Pixelation(PsOP)フレームワークを提案する。
psopは、あらゆるプライバシーに敏感なオブジェクトのピクセル化に拡張可能です。
ストリーミング映像データを用いた実験では, ピクセル化精度の向上に加えて, プライバシーに敏感な物体のピクセル化において, PsOP が過剰なピクセル化比を大幅に削減できることが示された。
- 参考スコア（独自算出の注目度）: 52.83247667841588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the prevailing of live video streaming, establishing an online
pixelation method for privacy-sensitive objects is an urgency. Caused by the
inaccurate detection of privacy-sensitive objects, simply migrating the
tracking-by-detection structure into the online form will incur problems in
target initialization, drifting, and over-pixelation. To cope with the
inevitable but impacting detection issue, we propose a novel Privacy-sensitive
Objects Pixelation (PsOP) framework for automatic personal privacy filtering
during live video streaming. Leveraging pre-trained detection networks, our
PsOP is extendable to any potential privacy-sensitive objects pixelation.
Employing the embedding networks and the proposed Positioned Incremental
Affinity Propagation (PIAP) clustering algorithm as the backbone, our PsOP
unifies the pixelation of discriminating and indiscriminating pixelation
objects through trajectories generation. In addition to the pixelation accuracy
boosting, experiments on the streaming video data we built show that the
proposed PsOP can significantly reduce the over-pixelation ratio in
privacy-sensitive object pixelation.
- Abstract（参考訳）: ライブビデオストリーミングが普及すると、プライバシに敏感なオブジェクトのためのオンラインピクセル化手法が確立される。
プライバシに敏感なオブジェクトの不正確な検出によって引き起こされる、トラッキングバイ検出構造をオンライン形式に移行するだけで、ターゲット初期化、ドリフト、オーバーピクセル化といった問題が発生する。
そこで本研究では,ライブビデオストリーミング中の個人のプライバシーフィルタリングを自動的に行うための,プライバシに敏感なオブジェクトのピクセル化(psop)フレームワークを提案する。
事前トレーニングされた検出ネットワークを活用することで、私たちのPsOPは、潜在的なプライバシーに敏感なオブジェクトのピクセル化に拡張できます。
埋め込みネットワークと,提案する増分親和性伝播(piap)クラスタリングアルゴリズムをバックボーンとして用いたpsopは,トラジェクタ生成による画素識別と非識別のピクセル化を統一する。
画素精度の向上に加えて,我々が構築したストリーミングビデオデータを用いた実験により,プライバシに敏感なオブジェクト画素におけるPsOPのオーバーピクセル比を著しく低減できることが示された。
関連論文リスト
- Region of Interest Loss for Anonymizing Learned Image Compression [3.0936354370614607]
人間の顔が認識不能になり,人体が検出不能となるような,十分な匿名化を実現する方法を示す。
このアプローチは、ネットワーク越しに機密性の高い匿名化データを送信するのではなく、キャプチャデバイス上の1ステップで圧縮と匿名化を可能にする。
論文 参考訳（メタデータ） (2024-06-09T10:36:06Z) - Privacy-Preserving Visual Localization with Event Cameras [13.21898697942957]
イベントカメラは、高いダイナミックレンジと小さな動きのぼかしのために、ロバストなローカライゼーションを実現する可能性がある。
本稿では、局所化に先立ってイベント・ツー・イメージ変換を適用し、安定した局所化を実現することを提案する。
プライバシの観点からは、イベントカメラは通常のカメラと比べてわずかに視覚情報をキャプチャする。
論文 参考訳（メタデータ） (2022-12-04T07:22:17Z) - PrivHAR: Recognizing Human Actions From Privacy-preserving Lens [58.23806385216332]
我々は、人間の行動認識パイプラインに沿って、堅牢な視覚的プライバシー保護を提供するための最適化フレームワークを提案する。
我々のフレームワークは、カメラレンズをパラメータ化して、ビデオの品質を劣化させ、プライバシー特性を抑え、敵の攻撃を防ぎます。
論文 参考訳（メタデータ） (2022-06-08T13:43:29Z) - Self-Supervised Video Object Segmentation via Cutout Prediction and
Tagging [117.73967303377381]
本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。
本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。
提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
論文 参考訳（メタデータ） (2022-04-22T17:53:27Z) - A Quality Index Metric and Method for Online Self-Assessment of
Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。
我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文 参考訳（メタデータ） (2022-03-04T22:16:50Z) - Robust Privacy-Preserving Motion Detection and Object Tracking in
Encrypted Streaming Video [39.453548972987015]
本稿では,暗号化された監視ビデオのビットストリームに対して,効率的かつ堅牢なプライバシー保護動作検出と複数物体追跡手法を提案する。
提案手法は, 暗号化・圧縮された領域における既存の作業と比較して, 最高の検出・追跡性能を実現する。
我々の手法は、カメラの動き/ジッタ、動的背景、影など、様々な課題を伴う複雑な監視シナリオで効果的に利用することができる。
論文 参考訳（メタデータ） (2021-08-30T11:58:19Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳（メタデータ） (2021-08-27T03:07:55Z) - Personal Privacy Protection via Irrelevant Faces Tracking and Pixelation
in Video Live Streaming [61.145467627057194]
我々は、ビデオライブストリーミングにおいて、自動プライバシーフィルタリングを生成するためのFace Pixelationと呼ばれる新しい方法を開発した。
無関係な人々の顔の高速かつ正確なピクセル化のために、FPVLSは2つのコアステージのフレームツービデオ構造で構成されています。
収集したビデオライブストリーミングデータセットにおいて、FPVLSは満足度の高い精度、リアルタイム効率を取得し、オーバーピクセル問題を含む。
論文 参考訳（メタデータ） (2021-01-04T16:18:26Z) - Probabilistic Pixel-Adaptive Refinement Networks [21.233814875276803]
画像適応型後処理法は,高解像度の入力画像をガイダンスデータとして活用することで有用であることを示す。
我々は,画像誘導データに頼らず,画素ごとの予測の信頼性を尊重する確率的画素適応畳み込み(PPAC)を導入する。
PPACが境界アーチファクトの明確化につながるような,光フローとセマンティックセグメンテーションのための精細化ネットワークにおいて,その実用性を実証する。
論文 参考訳（メタデータ） (2020-03-31T17:53:21Z)
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。