論文の概要: FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders

• arxiv url: http://arxiv.org/abs/2205.11090v1
• Date: Mon, 23 May 2022 07:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:11:20.804647
• Title: FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders
• Title（参考訳）: FaceMAE: マスク付きオートエンコーダによるプライバシー保護型顔認識
• Authors: Kai Wang, Bo Zhao, Xiangyu Peng, Zheng Zhu, Jiankang Deng, Xinchao Wang, Hakan Bilen, Yang You
• Abstract要約: 顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。 ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。 また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
• 参考スコア（独自算出の注目度）: 81.21440457805932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition, as one of the most successful applications in artificial intelligence, has been widely used in security, administration, advertising, and healthcare. However, the privacy issues of public face datasets have attracted increasing attention in recent years. Previous works simply mask most areas of faces or synthesize samples using generative models to construct privacy-preserving face datasets, which overlooks the trade-off between privacy protection and data utility. In this paper, we propose a novel framework FaceMAE, where the face privacy and recognition performance are considered simultaneously. Firstly, randomly masked face images are used to train the reconstruction module in FaceMAE. We tailor the instance relation matching (IRM) module to minimize the distribution gap between real faces and FaceMAE reconstructed ones. During the deployment phase, we use trained FaceMAE to reconstruct images from masked faces of unseen identities without extra training. The risk of privacy leakage is measured based on face retrieval between reconstructed and original datasets. Experiments prove that the identities of reconstructed images are difficult to be retrieved. We also perform sufficient privacy-preserving face recognition on several public face datasets (i.e. CASIA-WebFace and WebFace260M). Compared to previous state of the arts, FaceMAE consistently \textbf{reduces at least 50\% error rate} on LFW, CFP-FP and AgeDB.
• Abstract（参考訳）: 顔認識は、人工知能で最も成功したアプリケーションの一つであり、セキュリティ、管理、広告、医療に広く使われている。 しかし、公共の顔データセットのプライバシー問題は近年注目を集めている。 以前の研究は、プライバシー保護とデータユーティリティのトレードオフを見逃すプライバシを保存できる顔データセットを構築するために、顔のほとんどの領域をマスクしたり、生成モデルを使ってサンプルを合成したりするだけでした。 本稿では,顔のプライバシーと認識性能を同時に考慮した新しい枠組みであるfacemaeを提案する。 まず、ランダムにマスクされた顔画像を用いて、FaceMAEの再構築モジュールをトレーニングする。 我々は、実顔とFaceMAE再構成顔との分散ギャップを最小限に抑えるために、IRMモジュールを調整する。 展開段階では、トレーニング済みのFaceMAEを使用して、余分なトレーニングをすることなく、見えない人物の顔から画像を再構成する。 プライバシリークのリスクは、再構築されたデータセットとオリジナルのデータセットの間の顔検索に基づいて測定される。 再構成画像の同一性は検索が困難であることが実験により証明された。 また、いくつかの公開顔データセット(CASIA-WebFaceとWebFace260M)上で、十分なプライバシ保護顔認識を実行します。 従来の芸術と比較すると、FaceMAEはLFW、CFP-FP、 AgeDB上で一貫して少なくとも50%エラー率を誘導する。

関連論文リスト

• Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
  この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。 また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T19:28:04Z)
• Privacy-Preserving Face Recognition Using Trainable Feature Subtraction [40.47645421424354]
  顔認識はプライバシーの懸念を増している。 本稿では,視覚障害と回復障害に対する顔画像保護について検討する。 我々は,この手法を新たなプライバシ保護顔認識手法であるMinusFaceに精錬する。
  論文  参考訳（メタデータ） (2024-03-19T05:27:52Z)
• Learning Representations for Masked Facial Recovery [8.124282476398843]
  近年のパンデミックは 公共の場で 防護マスクを着用している人が 劇的に増えています この問題に対処する1つの方法は、前処理のステップとして、フェイスリカバリメソッドに戻ることです。 マスクを被った同一人物の画像から顔画像の復元に特有な方法を提案する。
  論文  参考訳（メタデータ） (2022-12-28T22:22:15Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• Mask-invariant Face Recognition through Template-level Knowledge Distillation [3.727773051465455]
  マスクは従来の顔認識システムの性能に影響を与える。 マスク不変顔認識ソリューション(MaskInv)を提案する。 蒸留された知識に加えて、学生ネットワークは、マージンベースのアイデンティティ分類損失による追加ガイダンスの恩恵を受ける。
  論文  参考訳（メタデータ） (2021-12-10T16:19:28Z)
• MLFW: A Database for Face Recognition on Masked Faces [56.441078419992046]
  Masked LFW (MLFW) は、マスクのない顔からマスクされた顔を自動的に生成するツールである。 SOTAモデルの認識精度は、元の画像の精度と比較して、MLFWデータベース上で5%-16%低下する。
  論文  参考訳（メタデータ） (2021-09-13T09:30:10Z)
• A realistic approach to generate masked faces applied on two novel masked face recognition data sets [14.130698536174767]
  本稿では,マスクのない顔を含むデータセットを合成マスクを作成し,元の画像の顔に重ね合わせることによって拡張する手法を提案する。 CASIA-WebFaceデータセットの445,446 (90%) のマスクと,CelebAデータセットの196,254 (96.8%) のマスクを生成した。 本手法は, 被験者に対して, 他の方法やデータセットと定性的に比較するように依頼することで, 顔にオーバーレイしたマスクのより現実的なトレーニング例を生成する。
  論文  参考訳（メタデータ） (2021-09-03T22:33:55Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)

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。