論文の概要: SHAN: Object-Level Privacy Detection via Inference on Scene Heterogeneous Graph
- arxiv url: http://arxiv.org/abs/2403.09172v2
- Date: Fri, 21 Jun 2024 03:11:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 19:36:33.467655
- Title: SHAN: Object-Level Privacy Detection via Inference on Scene Heterogeneous Graph
- Title(参考訳): SHAN:Scene Heterogeneous Graph上での推論によるオブジェクトレベルプライバシ検出
- Authors: Zhuohang Jiang, Bingkui Tong, Xia Du, Ahmed Alhammadi, Jizhe Zhou,
- Abstract要約: プライバシオブジェクト検出は、画像内のプライベートオブジェクトを正確に見つけることを目的としている。
既存の手法は、精度、一般化、解釈可能性の重大な欠陥に悩まされている。
本稿では、画像からシーン異質グラフを構成するモデルであるSHAN(Scene Heterogeneous Graph Attention Network)を提案する。
- 参考スコア(独自算出の注目度): 5.050631286347773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rise of social platforms, protecting privacy has become an important issue. Privacy object detection aims to accurately locate private objects in images. It is the foundation of safeguarding individuals' privacy rights and ensuring responsible data handling practices in the digital age. Since privacy of object is not shift-invariant, the essence of the privacy object detection task is inferring object privacy based on scene information. However, privacy object detection has long been studied as a subproblem of common object detection tasks. Therefore, existing methods suffer from serious deficiencies in accuracy, generalization, and interpretability. Moreover, creating large-scale privacy datasets is difficult due to legal constraints and existing privacy datasets lack label granularity. The granularity of existing privacy detection methods remains limited to the image level. To address the above two issues, we introduce two benchmark datasets for object-level privacy detection and propose SHAN, Scene Heterogeneous graph Attention Network, a model constructs a scene heterogeneous graph from an image and utilizes self-attention mechanisms for scene inference to obtain object privacy. Through experiments, we demonstrated that SHAN performs excellently in privacy object detection tasks, with all metrics surpassing those of the baseline model.
- Abstract(参考訳): ソーシャルプラットフォームの普及に伴い、プライバシー保護は重要な問題となっている。
プライバシオブジェクト検出は、画像内のプライベートオブジェクトを正確に見つけることを目的としている。
個人のプライバシの権利を保護し、デジタル時代の責任あるデータ処理プラクティスを確実にする基盤となっている。
オブジェクトのプライバシはシフト不変ではないため、プライバシオブジェクト検出タスクの本質は、シーン情報に基づいてオブジェクトのプライバシを推論することである。
しかし、プライバシオブジェクト検出は、一般的なオブジェクト検出タスクのサブプロブレムとして長い間研究されてきた。
したがって、既存の手法は精度、一般化、解釈可能性の重大な欠陥に悩まされている。
さらに、法的制約のため、大規模なプライバシデータセットの作成は困難であり、既存のプライバシデータセットにはラベルの粒度がない。
既存のプライバシー検出手法の粒度は依然として画像レベルに限られている。
上記の2つの問題に対処するために、オブジェクトレベルのプライバシ検出のためのベンチマークデータセットを2つ導入し、画像からシーン異質なグラフを構築し、シーン推論に自己認識機構を用いてオブジェクトのプライバシを得るモデルであるSHAN(Scene Heterogeneous Graph Attention Network)を提案する。
実験により,SHANはプライバシオブジェクト検出タスクにおいて優れた性能を示し,すべての指標がベースラインモデルを上回ることを示した。
関連論文リスト
- Explaining models relating objects and privacy [33.78605193864911]
画像から抽出したオブジェクトを用いて、なぜ画像がプライベートであると予測されるのかを判断するプライバシーモデルを評価する。
プライバシ決定の主要な要因は、個人カテゴリの存在と、その濃度であることを示す。
論文 参考訳(メタデータ) (2024-05-02T18:06:48Z) - 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) - Fairly Private: Investigating The Fairness of Visual Privacy
Preservation Algorithms [1.5293427903448025]
本稿では,一般的に使用されている視覚的プライバシ保護アルゴリズムの妥当性について検討する。
PubFigデータセットの実験は、提供されたプライバシ保護がグループ間で不平等であることを明確に示している。
論文 参考訳(メタデータ) (2023-01-12T13:40:38Z) - Privacy-Preserving Face Recognition with Learnable Privacy Budgets in
Frequency Domain [77.8858706250075]
本稿では,周波数領域における差分プライバシーを用いたプライバシ保護顔認証手法を提案する。
本手法はいくつかの古典的顔認証テストセットで非常によく機能する。
論文 参考訳(メタデータ) (2022-07-15T07:15:36Z) - 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) - SPAct: Self-supervised Privacy Preservation for Action Recognition [73.79886509500409]
アクション認識におけるプライバシー漏洩を緩和するための既存のアプローチは、ビデオデータセットのアクションラベルとともに、プライバシラベルを必要とする。
自己教師付き学習(SSL)の最近の進歩は、未ラベルデータの未発見の可能性を解き放ちつつある。
本稿では、プライバシーラベルを必要とせず、自己管理的な方法で、入力ビデオからプライバシー情報を除去する新しいトレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-29T02:56:40Z) - 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) - SocialGuard: An Adversarial Example Based Privacy-Preserving Technique
for Social Images [6.321399006735314]
本稿では,対象物検知器によるプライバシ盗難に対するソーシャルイメージのための,新たな逆例に基づくプライバシ保存手法を提案する。
提案手法の有効性を評価するために,プライバシ保存成功率とプライバシリーク率の2つの指標を用いる。
MS-COCOとPASCAL VOC 2007データセットのプライバシ保存成功率は96.1%と99.3%である。
論文 参考訳(メタデータ) (2020-11-27T05:12:47Z) - Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images [13.690485523871855]
最先端のアプローチでは、プライバシ保護による生成的敵ネットワーク(PP-GAN)を使用して、ユーザのアイデンティティを漏洩することなく、信頼できる表情認識を可能にする。
PP-GANの高感度化出力画像に機密識別データを隠蔽して後で抽出できることを示す。
論文 参考訳(メタデータ) (2020-09-19T19:02:17Z) - 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)
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。