論文の概要: Privacy-Concealing Cooperative Perception for BEV Scene Segmentation

• arxiv url: http://arxiv.org/abs/2602.13555v1
• Date: Sat, 14 Feb 2026 02:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.14339
• Title: Privacy-Concealing Cooperative Perception for BEV Scene Segmentation
• Title（参考訳）: BEVシーンセグメンテーションのためのプライバシー保護協調認識
• Authors: Song Wang, Lingling Li, Marcus Santos, Guanghui Wang,
• Abstract要約: 本稿では,Bird's Eye View (BEV)セマンティックセグメンテーションのための新しいプライバシ・コンセサイティング協調フレームワークを提案する。 一般的なBEV機能に基づいて,画像再構成ネットワークが共有機能から入力画像が復元されるのを防止するために,隠れネットワークを設計する。 逆学習機構を用いてネットワークを訓練し、隠れネットワークはBEV機能の視覚的手がかりを隠蔽し、再構築ネットワークはこれらの手がかりを解明しようとする。
• 参考スコア（独自算出の注目度）: 17.196034626036354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooperative perception systems for autonomous driving aim to overcome the limited perception range of a single vehicle by communicating with adjacent agents to share sensing information. While this improves perception performance, these systems also face a significant privacy-leakage issue, as sensitive visual content can potentially be reconstructed from the shared data. In this paper, we propose a novel Privacy-Concealing Cooperation (PCC) framework for Bird's Eye View (BEV) semantic segmentation. Based on commonly shared BEV features, we design a hiding network to prevent an image reconstruction network from recovering the input images from the shared features. An adversarial learning mechanism is employed to train the network, where the hiding network works to conceal the visual clues in the BEV features while the reconstruction network attempts to uncover these clues. To maintain segmentation performance, the perception network is integrated with the hiding network and optimized end-to-end. The experimental results demonstrate that the proposed PCC framework effectively degrades the quality of the reconstructed images with minimal impact on segmentation performance, providing privacy protection for cooperating vehicles. The source code will be made publicly available upon publication.
• Abstract（参考訳）: 自律運転のための協調認識システムは、隣接エージェントと通信して知覚情報を共有することにより、単一の車両の限られた知覚範囲を克服することを目的としている。 これにより知覚性能は向上するが、機密性の高い視覚コンテンツが共有データから再構成される可能性があるため、これらのシステムは重要なプライバシー侵害問題にも直面する。 本稿では,Bird's Eye View (BEV)セマンティックセグメンテーションのための新しいプライバシ・コンセサイティング・コラボレーション(PCC)フレームワークを提案する。 一般的なBEV機能に基づいて,画像再構成ネットワークが共有機能から入力画像が復元されるのを防止するために,隠れネットワークを設計する。 逆学習機構を用いてネットワークを訓練し、隠れネットワークはBEV機能の視覚的手がかりを隠蔽し、再構築ネットワークはこれらの手がかりを解明しようとする。 セグメンテーション性能を維持するため、認識ネットワークは隠れネットワークと統合され、エンドツーエンドに最適化される。 実験により,提案したPCCフレームワークは,セグメンテーション性能に最小限の影響を伴って再構成画像の品質を効果的に劣化させ,協調車両のプライバシー保護を提供することを示した。 ソースコードは公開時に公開される。

関連論文リスト

• Enhancing Privacy in Semantic Communication over Wiretap Channels leveraging Differential Privacy [51.028047763426265]
  セマンティック通信(SemCom)は,タスク関連情報に着目して伝送効率を向上させる。 セマンティックリッチなデータをセキュアでないチャネルで送信すると、プライバシのリスクが生じる。 本稿では,セマンティックなセマンティックな特徴を保護するために,差分プライバシー機構を統合した新しいSemComフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-23T08:42:44Z)
• CP-Guard: Malicious Agent Detection and Defense in Collaborative Bird's Eye View Perception [54.78412829889825]
  コラボレーティブ・パーセプション(CP)は自動運転に有望な技術を示している。 CPでは、ego CAVは協力者からのメッセージを受信する必要があるため、悪意のあるエージェントによる攻撃が容易になる。 本稿では,CPの防御機構であるCP-Guardを提案する。
  論文  参考訳（メタデータ） (2024-12-16T17:28:25Z)
• PPIDSG: A Privacy-Preserving Image Distribution Sharing Scheme with GAN in Federated Learning [2.0507547735926424]
  分散学習(FL)は、分散クライアントでのプライバシー保護のための協調トレーニングを可能にするため、注目を集めている。 最近の研究によると、個人データを敵に公開するリスクは依然として残っている。 GAN(PPIDSG)を用いたプライバシー保護型画像配信方式を提案する。
  論文  参考訳（メタデータ） (2023-12-16T08:32:29Z)
• A Novel end-to-end Framework for Occluded Pixel Reconstruction with Spatio-temporal Features for Improved Person Re-identification [0.842885453087587]
  人の身元確認は、公共の安全を高めるために群衆の動きを監視し、追跡するために不可欠である。 本研究では、ディープニューラルネットワークからなるRGB画像/映像の効果的な閉塞検出・再構成フレームワークを開発することにより、有効な解を提案する。 具体的には、CNNベースのオクルージョン検出モデルが個々の入力フレームを分類し、次いでConv-LSTMおよびオートエンコーダを用いて、シーケンシャル(ビデオ)および非シーケンシャル(画像)データに対して、オクルードされたフレームに対応するオクルード画素を再構成する。
  論文  参考訳（メタデータ） (2023-04-16T08:14:29Z)
• Open-set Adversarial Defense with Clean-Adversarial Mutual Learning [93.25058425356694]
  本稿では, オープンセット認識システムは, 対向サンプルに対して脆弱であることを示す。 これらの観測により,我々はオープンセット・ディフェンス(OSAD)機構の必要性を強調した。 本稿では,OSAD問題に対する解決策として,OSDN-CAML(Create-Adversarial Mutual Learning)を用いたオープンセット防衛ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-12T02:13:55Z)
• NinjaDesc: Content-Concealing Visual Descriptors via Adversarial Learning [39.083687078653014]
  本稿では,マッチング精度を維持しつつ,画像再構成を防止する視覚記述子を訓練するための逆学習フレームワークを提案する。 我々は、特徴符号化ネットワークと画像再構成ネットワークを競合させ、特徴符号化ネットワークは、生成した記述子で画像再構成を妨害しようとする一方で、再構成者は、記述子からの入力画像の復元を試みる。
  論文  参考訳（メタデータ） (2021-12-23T18:58:58Z)
• Face Anti-Spoofing Via Disentangled Representation Learning [90.90512800361742]
  顔認識システムのセキュリティには、顔の偽造が不可欠だ。 本稿では,画像から生意気な特徴やコンテンツの特徴を乱す顔のアンチ・スプーフィングの新たな視点を提案する。
  論文  参考訳（メタデータ） (2020-08-19T03:54:23Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)

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。