論文の概要: CFE-PPAR: Compression-friendly encryption for privacy-preserving action recognition leveraging video transformers

• arxiv url: http://arxiv.org/abs/2605.05692v1
• Date: Thu, 07 May 2026 05:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.532755
• Title: CFE-PPAR: Compression-friendly encryption for privacy-preserving action recognition leveraging video transformers
• Title（参考訳）: CFE-PPAR:ビデオトランスフォーマーを利用したプライバシー保護行動認識のための圧縮フレンドリーな暗号化
• Authors: Haiwei Lin, Shoko Imaizumi, Hitoshi Kiya,
• Abstract要約: プライバシ保護アクション認識(PPAR)は、ビデオ内の人間の活動を理解することができる。 我々は,CFE-PPARと呼ばれるPPARの圧縮フレンドリな最初の暗号化手法を提案する。 CFE-PPARでは、秘密鍵で暗号化されたビデオは、ビデオトランスフォーマーによって直接認識することができる。
• 参考スコア（独自算出の注目度）: 1.2744523252873348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-preserving action recognition (PPAR) enables machines to understand human activities in videos without revealing sensitive visual content. Among the various strategies for PPAR, encryption-based methods achieve strong privacy protection while maintaining high recognition performance. However, these methods lead to a catastrophic decrease in recognition performance and visual quality when the encrypted videos are compressed. That is, the previous methods are not compression-friendly. To address these issues, in this paper, we propose the first compression-friendly encryption method for PPAR, called CFE-PPAR. In CFE-PPAR, videos encrypted with secret keys can be directly recognized by a video transformer, which uses parameters transformed by the same keys as those used for video encryption. In experiments, it is verified that CFE-PPAR outperforms previous methods on the UCF101 and HMDB51 datasets under Motion-JPEG and H.264 compression.
• Abstract（参考訳）: プライバシ保護アクション認識(PPAR)は、ビデオ内の人間の活動を理解することができる。 PPARの様々な戦略の中で、暗号化ベースの手法は、高い認識性能を維持しながら、強力なプライバシ保護を実現する。 しかし、これらの手法は、暗号化されたビデオが圧縮されると、認識性能と視覚的品質が壊滅的に低下する。 つまり、以前の方法は圧縮に優しいものではない。 本稿では,これらの問題に対処するために,CFE-PPARと呼ばれるPPARの圧縮フレンドリな最初の暗号化手法を提案する。 CFE-PPARでは、秘密鍵で暗号化されたビデオは、ビデオトランスフォーマーによって直接認識することができる。 実験では、CFE-PPARは、Motion-JPEGおよびH.264圧縮の下で、UCF101およびHMDB51データセットの以前の手法よりも優れていることを確認した。

関連論文リスト

• Transformers from Compressed Representations [74.48571451824569]
  TEMPEST (TransformErs froM comPressed rEpreSenTations) は、圧縮されたファイルのバイトストリーム構造を利用して効果的なトークン化と符号化戦略を設計する手法である。 本提案では,意味分類に必要なトークン数を大幅に削減し,計算複雑性とメモリ使用量の両方を削減する。
  論文  参考訳（メタデータ） (2025-10-26T13:48:03Z)
• Privacy-Shielded Image Compression: Defending Against Exploitation from Vision-Language Pretrained Models [32.92388946423273]
  本稿では,画像圧縮段階での防御によりユーザのプライバシを保護し,悪用を防止することを目的とする。 本稿では,複数のデコードオプションでビットストリームを生成する,PSIC(Privacy-Shielded Image Compression)と呼ばれるフレキシブルな符号化手法を提案する。 提案手法はプラグアンドプレイであり,既存のLearned Image Compression(lic)モデルにシームレスに統合可能である。
  論文  参考訳（メタデータ） (2025-06-18T07:29:40Z)
• Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。 従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
  論文  参考訳（メタデータ） (2024-09-05T14:22:02Z)
• NeR-VCP: A Video Content Protection Method Based on Implicit Neural Representation [7.726354287366925]
  暗黙的ニューラル表現に基づくビデオコンテンツ保護のための自動暗号化手法を提案する。 NeR-VCPはまず、送信者によって訓練されたキー制御可能なモジュールを受信者に事前配布する。 我々は,視覚的表現,不正ユーザに対する非受容性,暗号的観点からのセキュリティにおいて,優れた性能を有することを実験的に見出した。
  論文  参考訳（メタデータ） (2024-08-20T16:23:51Z)
• Compressed-Language Models for Understanding Compressed File Formats: a JPEG Exploration [82.88166538896331]
  我々は、圧縮における鍵概念の共通性と代表性を考慮して、JPEGフォーマットを代表的CFFとして重視する。 我々は、CLMがJPEGフォーマットを理解するかどうかを、固有のファイルプロパティの認識、異常のあるファイルの扱い、新しいファイルの生成という、3つの軸に沿って実行する能力を調べて検証する。 結果から,CFFが生成するファイルのバイトストリームを直接操作する場合,圧縮データのセマンティクスをCLMで理解できることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:09:23Z)
• VNVC: A Versatile Neural Video Coding Framework for Efficient Human-Machine Vision [59.632286735304156]
  コード化された表現をピクセルに復号することなく直接拡張・解析することがより効率的である。 再構成と直接拡張/分析の両方をサポートするために,コンパクト表現の学習を目標とする汎用型ニューラルビデオ符号化(VNVC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T03:04:57Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)
• A Foreground-background Parallel Compression with Residual Encoding for Surveillance Video [46.49202082648197]
  本稿では,ビデオの前景と背景を別々に抽出・圧縮するビデオ圧縮手法を提案する。 提案手法では、HECVデータセット上で同じPSNR(36dB)を達成するために、従来のアルゴリズムであるH.265より69.5%少ないbpp (bits per pixel) を必要とする。
  論文  参考訳（メタデータ） (2020-01-18T03:35:00Z)

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。