論文の概要: IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images with Deep Learning

• arxiv url: http://arxiv.org/abs/2211.11565v1
• Date: Fri, 18 Nov 2022 12:20:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 17:33:58.191441
• Title: IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images with Deep Learning
• Title（参考訳）: IEEE Big Data Cup 2022: 暗号化された画像とディープラーニングのマッチングを保持するプライバシ
• Authors: Vrizlynn L. L. Thing
• Abstract要約: 本稿では、最先端の深層畳み込みニューラルネットワークと様々なデータ拡張技術に基づくソリューションについて述べる。 私たちのソリューションは、IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images Challengeで1位を獲得しました。
• 参考スコア（独自算出の注目度）: 1.179179628317559
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Smart sensors, devices and systems deployed in smart cities have brought improved physical protections to their citizens. Enhanced crime prevention, and fire and life safety protection are achieved through these technologies that perform motion detection, threat and actors profiling, and real-time alerts. However, an important requirement in these increasingly prevalent deployments is the preservation of privacy and enforcement of protection of personal identifiable information. Thus, strong encryption and anonymization techniques should be applied to the collected data. In this IEEE Big Data Cup 2022 challenge, different masking, encoding and homomorphic encryption techniques were applied to the images to protect the privacy of their contents. Participants are required to develop detection solutions to perform privacy preserving matching of these images. In this paper, we describe our solution which is based on state-of-the-art deep convolutional neural networks and various data augmentation techniques. Our solution achieved 1st place at the IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images Challenge.
• Abstract（参考訳）: スマートシティに配備されたスマートセンサー、デバイス、システムは、市民に身体保護の改善をもたらした。 これらの技術により、防犯・防火・生命保護が強化され、動き検知、脅威・アクタのプロファイリング、リアルタイムのアラートを行う。 しかし、これらの展開において重要な要件は、プライバシーの保護と個人識別可能な情報の保護の実施である。 したがって、収集したデータに強力な暗号化と匿名化技術を適用する必要がある。 このieee big data cup 2022チャレンジでは、異なるマスキング、エンコーディング、準同型暗号化技術が画像に適用され、コンテンツのプライバシを保護する。 参加者は、これらの画像のマッチングをプライバシー保護するために検出ソリューションを開発する必要がある。 本稿では,最先端の深層畳み込みニューラルネットワークと様々なデータ拡張技術に基づく解について述べる。 私たちのソリューションは、IEEE Big Data Cup 2022: Privacy Preserving Matching of Encrypted Images Challengeで1位を獲得しました。

関連論文リスト

• CausalVE: Face Video Privacy Encryption via Causal Video Prediction [13.577971999457164]
  ビデオやライブストリーミングのWebサイトの普及に伴い、公開対面のビデオ配信とインタラクションは、プライバシー上のリスクを増大させる。 これらの欠点に対処するニューラルネットワークフレームワークCausalVEを提案する。 我々のフレームワークは、公開ビデオの拡散において優れたセキュリティを有し、定性的、量的、視覚的な観点から最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-28T10:34:22Z)
• Boosting Digital Safeguards: Blending Cryptography and Steganography [0.30783046172997025]
  ステガノグラフィーは、他の媒体にデータを隠蔽することで、メッセージを見えないものにすることで、隠蔽通信を容易にする。 提案手法は、人工知能(AI)とディープラーニング(DL)の最新の進歩を、特にGAN(Generative Adversarial Networks)の適用を通じて活用する。 GANの応用により、ニューラルネットワーク固有の感度を利用してデータのわずかな変更を行う、スマートでセキュアなシステムが可能になる。
  論文  参考訳（メタデータ） (2024-04-09T03:36:39Z)
• Privacy-Preserving Deep Learning Using Deformable Operators for Secure Task Learning [14.187385349716518]
  既存のプライバシー保護方法は、画像暗号化や知覚変換アプローチに依存している。 安全なタスク学習に変形可能な演算子の集合を用いる新しいプライバシ保存フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-08T19:46:20Z)
• 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)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• 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)
• Privacy-Preserving Image Acquisition Using Trainable Optical Kernel [50.1239616836174]
  本稿では、画像センサに到達する前に、光学領域の感度の高い識別情報を除去する訓練可能な画像取得手法を提案する。 イメージセンサに到達する前に、センシティブなコンテンツが抑制されるため、デジタルドメインには入らないため、いかなる種類のプライバシー攻撃でも検索できない。
  論文  参考訳（メタデータ） (2021-06-28T11:08:14Z)
• InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
  視覚データに流出した個人情報を個人が制限できる技術について検討する。 我々はこの問題を新しい画像難読化フレームワークで解決する。 提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
  論文  参考訳（メタデータ） (2020-05-20T19:48:04Z)
• 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。