論文の概要: Does Image Anonymization Impact Computer Vision Training?
- arxiv url: http://arxiv.org/abs/2306.05135v1
- Date: Thu, 8 Jun 2023 12:02:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 14:34:35.993359
- Title: Does Image Anonymization Impact Computer Vision Training?
- Title(参考訳): 画像匿名化はコンピュータビジョントレーニングに影響を及ぼすか?
- Authors: H{\aa}kon Hukkel{\aa}s, Frank Lindseth
- Abstract要約: コンピュータビジョンモデルのトレーニングにおける画像匿名化が重要なコンピュータビジョンタスクに与える影響について検討する。
従来の画像の匿名化は、特に全身の匿名化において、最終的なモデルの性能に大きな影響を及ぼす。
現実的な匿名化は、顔匿名化の最小性能低下を反映するこの性能低下を軽減することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Image anonymization is widely adapted in practice to comply with privacy
regulations in many regions. However, anonymization often degrades the quality
of the data, reducing its utility for computer vision development. In this
paper, we investigate the impact of image anonymization for training computer
vision models on key computer vision tasks (detection, instance segmentation,
and pose estimation). Specifically, we benchmark the recognition drop on common
detection datasets, where we evaluate both traditional and realistic
anonymization for faces and full bodies. Our comprehensive experiments reflect
that traditional image anonymization substantially impacts final model
performance, particularly when anonymizing the full body. Furthermore, we find
that realistic anonymization can mitigate this decrease in performance, where
our experiments reflect a minimal performance drop for face anonymization. Our
study demonstrates that realistic anonymization can enable privacy-preserving
computer vision development with minimal performance degradation across a range
of important computer vision benchmarks.
- Abstract(参考訳): 画像の匿名化は、多くの地域でプライバシー規制に従うために広く採用されている。
しかし、匿名化はしばしばデータの品質を低下させ、コンピュータビジョン開発における有用性を低下させる。
本稿では,コンピュータビジョンモデルのトレーニングにおける画像匿名化が,重要なコンピュータビジョンタスク(検出,インスタンス分割,ポーズ推定)に与える影響について検討する。
具体的には、顔と全身の従来の匿名化と現実的な匿名化の両方を評価する共通検出データセットの認識低下をベンチマークする。
我々の総合的な実験は、従来の画像の匿名化が最終モデルの性能、特に全身の匿名化に大きく影響を与えることを反映している。
さらに,実際の匿名化は,顔の匿名化に対する最小のパフォーマンス低下を反映した,この性能低下を緩和できることがわかった。
本研究は,様々な重要なコンピュータビジョンベンチマークにおいて,プライバシ保全型コンピュータビジョン開発を最小限のパフォーマンス低下で実現できることを実証する。
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) - 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) - GANonymization: A GAN-based Face Anonymization Framework for Preserving
Emotional Expressions [43.017036538109274]
GANonymizationは、表情保存能力を持つ新しい顔匿名化フレームワークである。
提案手法は, 顔の高レベル表現をベースとして, GAN(Generative Adversarial Network)に基づく匿名化バージョンに合成する。
論文 参考訳(メタデータ) (2023-05-03T14:22:48Z) - Attribute-preserving Face Dataset Anonymization via Latent Code
Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。
我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文 参考訳(メタデータ) (2023-03-20T17:34:05Z) - Learnable Privacy-Preserving Anonymization for Pedestrian Images [27.178354411900127]
本稿では,歩行者画像における新たなプライバシー保護匿名化問題について検討する。
認証されたモデルに対する個人識別情報(PII)を保存し、PIIが第三者によって認識されないようにする。
本稿では,全体匿名画像の可逆的生成が可能な共同学習可逆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) (2022-07-24T07:04:16Z) - Safe Fakes: Evaluating Face Anonymizers for Face Detectors [0.0]
本稿では,顔検出装置の教師付き訓練における画像匿名化の効果に関する最初の実証研究を行う。
従来の顔匿名化手法と最先端の3つのGAN(Generative Adrial Network-based)手法を比較した。
すべてのテストされた匿名化方法は訓練された顔検出器の性能を低下させますが、GANを使用して匿名化される表面は従来の方法よりはるかに小さい性能の低下を引き起こします。
論文 参考訳(メタデータ) (2021-04-23T17:16:23Z) - Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for
Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。
ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。
一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文 参考訳(メタデータ) (2021-03-31T01:48:29Z) - Privacy-preserving Object Detection [52.77024349608834]
我々は,COCOにおけるオブジェクト検出において,顔のぼやけによるデータセットの匿名化と,性別や肌のトーン次元に沿ったバランスの取れた顔の交換は,プライバシを保ち,偏りを部分的に保ちながらオブジェクト検出性能を維持することができることを示した。
論文 参考訳(メタデータ) (2021-03-11T10:34:54Z) - IdentityDP: Differential Private Identification Protection for Face
Images [17.33916392050051]
顔の非識別、別名顔の匿名化は、実際のアイデンティティが隠されている間、同様の外観と同じ背景を持つ別の画像を生成することを指します。
我々は,データ駆動型ディープニューラルネットワークと差分プライバシー機構を組み合わせた顔匿名化フレームワークであるIdentityDPを提案する。
我々のモデルは、顔の識別関連情報を効果的に難読化し、視覚的類似性を保ち、高品質な画像を生成することができる。
論文 参考訳(メタデータ) (2021-03-02T14:26:00Z) - CIAGAN: Conditional Identity Anonymization Generative Adversarial
Networks [12.20367903755194]
CIAGANは条件付き生成対向ネットワークに基づく画像およびビデオの匿名化モデルである。
このモデルでは,高品質な画像や映像を制作しながら,顔や身体の特徴を識別できる。
論文 参考訳(メタデータ) (2020-05-19T15:56:08Z) - 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。