Bei der Bildanonymisierung handelt es sich um die Praxis, vertrauliche Informationen aus Bildern zu ändern oder zu entfernen, um die Privatsphäre zu schützen. Obwohl die Anonymisierung für die Einhaltung von Datenschutzbestimmungen wichtig ist, verringert sie häufig die Datenqualität, was die Entwicklung von Pc Imaginative and prescient behindert. Es bestehen mehrere Herausforderungen, wie z. B. die Verschlechterung der Datenqualität, das Ausbalancieren von Datenschutz und Nutzen, die Entwicklung effizienter Algorithmen und die Aushandlung moralischer und rechtlicher Fragen. Es muss ein geeigneter Kompromiss gefunden werden, um die Privatsphäre zu schützen und gleichzeitig die Forschung und Anwendungen im Bereich Pc Imaginative and prescient zu verbessern.
Frühere Ansätze zur Bildanonymisierung umfassen traditionelle Methoden wie Unschärfe, Maskierung, Verschlüsselung und Clustering. Aktuelle Arbeiten konzentrieren sich auf eine realistische Anonymisierung mithilfe generativer Modelle als Ersatz für Identitäten. Bei vielen Methoden fehlen jedoch formale Garantien der Anonymität, und andere Hinweise im Bild können dennoch die Identität verraten. Begrenzte Studien haben die Auswirkungen auf Pc-Imaginative and prescient-Modelle untersucht, wobei die Auswirkungen je nach Aufgabe unterschiedlich waren. Öffentliche anonymisierte Datensätze sind rar.
In jüngsten Forschungsarbeiten haben Forscher der norwegischen Universität für Wissenschaft und Technologie ihre Aufmerksamkeit auf entscheidende Pc-Imaginative and prescient-Aufgaben im Zusammenhang mit autonomen Fahrzeugen gerichtet, insbesondere auf die Instanzsegmentierung und die Schätzung der menschlichen Pose. Sie haben die Leistung der in DeepPrivacy2 implementierten Ganzkörper- und Gesichtsanonymisierungsmodelle bewertet, mit dem Ziel, die Wirksamkeit realistischer Anonymisierungsansätze mit herkömmlichen Methoden zu vergleichen.
Die vorgeschlagenen Schritte zur Bewertung der Auswirkungen der Anonymisierung durch den Artikel sind wie folgt:
- Anonymisierung gängiger Pc-Imaginative and prescient-Datensätze.
- Coaching verschiedener Modelle anhand anonymisierter Daten.
- Bewertung der Modelle anhand der ursprünglichen Validierungsdatensätze
Die Autoren schlagen drei Ganzkörper- und Gesichtsanonymisierungstechniken vor: Unschärfe, Maskierung und realistische Anonymisierung. Sie definieren den Anonymisierungsbereich basierend auf Instanzsegmentierungsanmerkungen. Zu den traditionellen Methoden gehören Maskierung und Gaußsche Unschärfe, während bei der realistischen Anonymisierung vorab trainierte Modelle von DeepPrivacy2 zum Einsatz kommen. Die Autoren befassen sich auch mit globalen Kontextproblemen bei der Ganzkörpersynthese durch Histogrammausgleich und latente Optimierung.
Die Autoren führten Experimente durch, um Modelle zu bewerten, die auf anonymisierten Daten trainiert wurden, und zwar unter Verwendung von drei Datensätzen: COCO Pose Estimation, Cityscapes Occasion Segmentation und BDD100K Occasion Segmentation. Gesichtsanonymisierungstechniken zeigten keinen signifikanten Leistungsunterschied bei Cityscapes- und BDD100K-Datensätzen. Bei der COCO-Posenschätzung führten jedoch sowohl Maskierungs- als auch Unschärfetechniken aufgrund der Korrelation zwischen Unschärfe-/Maskierungsartefakten und dem menschlichen Körper zu einem erheblichen Leistungsabfall. Die Ganzkörperanonymisierung, ob traditionell oder realistisch, führte zu einem Leistungsabfall im Vergleich zu den ursprünglichen Datensätzen. Die realistische Anonymisierung erbrachte eine bessere Leistung, verschlechterte jedoch aufgrund von Schlüsselpunkterkennungsfehlern, Syntheseeinschränkungen und globaler Kontextinkongruenz die Ergebnisse. Die Autoren untersuchten auch den Einfluss der Modellgröße und stellten fest, dass größere Modelle bei der Gesichtsanonymisierung im COCO-Datensatz schlechter abschneiden. Bei der Ganzkörper-Anonymisierung verbesserten sowohl Normal- als auch multimodale Trunkierungsmethoden die Leistung.
Abschließend untersuchte die Studie die Auswirkungen der Anonymisierung auf das Coaching von Pc-Imaginative and prescient-Modellen mithilfe von Datensätzen autonomer Fahrzeuge. Die Gesichtsanonymisierung hatte nur minimale Auswirkungen auf die Instanzsegmentierung, während die Ganzkörperanonymisierung die Leistung deutlich beeinträchtigte. Die realistische Anonymisierung struggle herkömmlichen Methoden überlegen, aber kein vollständiger Ersatz für echte Daten. Der Schutz der Privatsphäre ohne Beeinträchtigung der Modellleistung wurde hervorgehoben. Die Studie wies Einschränkungen hinsichtlich der Annotationsabhängigkeit und der Modellarchitekturen auf und erforderte weitere Forschung zur Verbesserung der Anonymisierungstechniken und zur Behebung von Synthesebeschränkungen. Auch die Herausforderungen bei der Synthese menschlicher Figuren zur Anonymisierung in autonomen Fahrzeugen wurden hervorgehoben.
Besuche die Papier. Vergessen Sie nicht, mitzumachen unser 25k+ ML SubReddit, Discord-Kanal, Und E-Mail-Newsletter, wo wir die neuesten Nachrichten aus der KI-Forschung, coole KI-Projekte und mehr teilen. Wenn Sie Fragen zum obigen Artikel haben oder uns etwas entgangen ist, schreiben Sie uns gerne eine E-Mail an Asif@marktechpost.com
Empfohlene Instruments Aus AI Tools Club
🚀 Schauen Sie sich 100 KI-Tools im AI Tools Club an
Mahmoud ist Doktorand im Bereich maschinelles Lernen. Er hält auch einen
Bachelor-Abschluss in Physik und Grasp-Abschluss in
Telekommunikations- und Netzwerksysteme. Seine aktuellen Bereiche von
Die Forschung befasst sich mit Pc Imaginative and prescient, Börsenvorhersage und Tiefgründigkeit
Lernen. Er verfasste mehrere wissenschaftliche Artikel über Personenre-
Identifizierung und Untersuchung der Robustheit und Stabilität von Tiefen
Netzwerke.
