論文の概要: Data-Driven but Privacy-Conscious: Pedestrian Dataset De-identification
via Full-Body Person Synthesis
- arxiv url: http://arxiv.org/abs/2306.11710v2
- Date: Thu, 22 Jun 2023 10:15:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 11:22:20.670094
- Title: Data-Driven but Privacy-Conscious: Pedestrian Dataset De-identification
via Full-Body Person Synthesis
- Title（参考訳）: データ駆動だがプライバシーに配慮した:全体人合成による歩行者データセットの識別
- Authors: Maxim Maximov, Tim Meinhardt, Ismail Elezi, Zoe Papakipos, Caner
Hazirbas, Cristian Canton Ferrer, Laura Leal-Taix\'e
- Abstract要約: ペデストリアンデータセットの復号化タスクを動機付け,導入する。
PDIは、所定の非識別法に対して、非識別度とダウンストリームタスクトレーニング性能を評価する。
私たちのデータは、プライバシを意識した方法で、合成から実際のパフォーマンスギャップを狭めることができるかを示します。
- 参考スコア（独自算出の注目度）: 16.394031759681678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of data-driven technology solutions is accompanied by an
increasing concern with data privacy. This is of particular importance for
human-centered image recognition tasks, such as pedestrian detection,
re-identification, and tracking. To highlight the importance of privacy issues
and motivate future research, we motivate and introduce the Pedestrian Dataset
De-Identification (PDI) task. PDI evaluates the degree of de-identification and
downstream task training performance for a given de-identification method. As a
first baseline, we propose IncogniMOT, a two-stage full-body de-identification
pipeline based on image synthesis via generative adversarial networks. The
first stage replaces target pedestrians with synthetic identities. To improve
downstream task performance, we then apply stage two, which blends and adapts
the synthetic image parts into the data. To demonstrate the effectiveness of
IncogniMOT, we generate a fully de-identified version of the MOT17 pedestrian
tracking dataset and analyze its application as training data for pedestrian
re-identification, detection, and tracking models. Furthermore, we show how our
data is able to narrow the synthetic-to-real performance gap in a
privacy-conscious manner.
- Abstract（参考訳）: データ駆動技術ソリューションの出現は、データプライバシに関する懸念の高まりに伴うものだ。
これは、歩行者の検出、再同定、追跡などの人間中心の画像認識タスクにおいて特に重要である。
プライバシー問題の重要性を強調し、将来の研究を動機づけるため、歩行者データセット識別(PDI)タスクをモチベーションし、導入する。
PDIは、所定の非識別法に対して、非識別度とダウンストリームタスクトレーニング性能を評価する。
第1のベースラインとして,生成型adversarial networkを用いた画像合成に基づく2段階の非識別パイプラインであるincognimotを提案する。
最初のステージは、ターゲット歩行者を合成IDで置き換える。
下流のタスク性能を改善するためにステージ2を適用し、合成画像部品をデータにブレンドし、適応させる。
incognimotの有効性を実証するために,mot17歩行者追跡データセットの完全非識別版を作成し,歩行者再識別,検出,追跡モデルの訓練データとして解析する。
さらに,当社のデータが,プライバシを意識した方法で合成と実性能のギャップを狭める方法を示す。
関連論文リスト
- Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。
我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
論文 参考訳（メタデータ） (2024-12-02T11:12:01Z) - SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。
近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。
本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。
SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文 参考訳（メタデータ） (2024-04-06T10:30:31Z) - If It's Not Enough, Make It So: Reducing Authentic Data Demand in Face Recognition through Synthetic Faces [16.977459035497162]
大規模な顔データセットは、主にWebベースのイメージから作成され、明示的なユーザの同意が欠如している。
本稿では,合成顔データを用いて効果的な顔認識モデルの訓練を行う方法について検討する。
論文 参考訳（メタデータ） (2024-04-04T15:45:25Z) - Synthetic-To-Real Video Person Re-ID [57.937189569211505]
人物再識別(Re-ID)は重要な課題であり、公衆の安全と情報法医学に重要な応用がある。
本稿では、Re-IDの新規かつ挑戦的な設定、すなわちドメイン間ビデオベースの人物Re-IDについて検討する。
我々は、テストのためのトレーニングや実世界のビデオのソースドメインとして、合成ビデオデータセットを使用します。
論文 参考訳（メタデータ） (2024-02-03T10:19:21Z) - 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) - Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。
本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。
提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
論文 参考訳（メタデータ） (2023-03-23T13:50:46Z) - 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) - AI-based Re-identification of Behavioral Clickstream Data [0.0]
本論文は, 行動パターンに基づいて, 個人を純粋に同定する上で, 同様の手法が適用可能であることを実証する。
レコード間の振舞いパターンの単なる類似性は、識別された個人に振舞いデータを正しく属性付けるのに十分である。
また、私たちが導入したAIベースの再識別攻撃に対して回復力があることが示されています。
論文 参考訳（メタデータ） (2022-01-21T16:49:00Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - The P-DESTRE: A Fully Annotated Dataset for Pedestrian Detection,
Tracking, Re-Identification and Search from Aerial Devices [7.095987222706225]
本稿では,複数日にわたって一貫したIDアノテーションを提供するP-DESTREデータセットについて紹介する。
我々はまた、よく知られた監視データセットにおいて、最先端の歩行者検出、追跡、再同定、検索技術によって得られた結果を比較した。
データセットと実施した経験的評価の完全な詳細はhttp://p-destre.di.ubi.pt/.comで無償公開されている。
論文 参考訳（メタデータ） (2020-04-06T16:17:32Z)
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。