[論文レビュー] Does Image Anonymization Impact Computer Vision Training?

Håkon Hukkelås, Frank Lindseth|arXiv (Cornell University)|Jun 8, 2023

Privacy-Preserving Technologies in Data被引用数 4

ひとこと要約

本稿では、BDD100K、Cityscapes、COCOデータセットを用いて、顔および全身の匿名化手法がコンピュータビジョンモデルの学習に与える影響を調査している。伝統的なぼかし処理と現実的な匿名化の両方を用いた実験の結果、顔関連のタスクにおいては、現実的な匿名化が伝統的なぼかし処理よりもモデル性能を著しく保持することが判明した。一方、全身匿名化は現実的な手法を用いても依然として顕著な性能低下を引き起こすことが明らかになった。

ABSTRACT

Image anonymization is widely adapted in practice to comply with privacy regulations in many regions. However, anonymization often degrades the quality of the data, reducing its utility for computer vision development. In this paper, we investigate the impact of image anonymization for training computer vision models on key computer vision tasks (detection, instance segmentation, and pose estimation). Specifically, we benchmark the recognition drop on common detection datasets, where we evaluate both traditional and realistic anonymization for faces and full bodies. Our comprehensive experiments reflect that traditional image anonymization substantially impacts final model performance, particularly when anonymizing the full body. Furthermore, we find that realistic anonymization can mitigate this decrease in performance, where our experiments reflect a minimal performance drop for face anonymization. Our study demonstrates that realistic anonymization can enable privacy-preserving computer vision development with minimal performance degradation across a range of important computer vision benchmarks.

研究の動機と目的

• 顔検出、インスタンスセグメンテーション、ポーズ推定などの主要なコンピュータビジョンタスクにおける伝統的および現実的な画像匿名化の影響を評価すること。
• 生成モデルを用いて同一人物を合成する現実的な匿名化が、ぼかしやマスキングなどの伝統的で不正な処理よりも、データの有用性をより良く保持できるかどうかを調査すること。
• プライバシー保護に不可欠な場合が多い全身匿名化が、モデル学習の文脈においてもどのように影響を与えるかを評価すること。
• 自律走行車両のデータセットにおいて、現実的な匿名化が性能劣化を最小限に抑えつつプライバシー保護を実現できるかどうかを特定すること。

提案手法

• BDD100K、Cityscapes、COCOなどの公開コンピュータビジョンデータセットを、伝統的な方法（ぼかし、マスキング）およびDeepPrivacy2の生成モデルを用いた現実的な匿名化で処理した。
• ResNetおよびR-CNNアーキテクチャを用いて、匿名化された学習データ上で物体検出、インスタンスセグメンテーション、キーポイント検出モデルを学習させた。
• 元の未匿名化された検証セットを用いてモデル性能を評価し、認識精度の低下を測定した。
• 自動検出器（顔用にDSFD、キーポイント用にViTPose）を用いて人物を特定・匿名化したが、これによりアノテーションの曖昧さが生じる可能性があった。
• 合成された人物と画像全体の文脈との視覚的不一致を軽減するために、ヒストグラム平坦化を適用した。
• 特に文脈の一貫性と解像度制約に注目しながら、顔および全身の匿名化に焦点を当てた。

Figure 3 : DeepPrivacy2 [ 23 ] anonymizes one instance at a time, then paste each synthesized individual into the original image. For our experiments, detection is not performed, as segmentation masks are defined from pre-defined annotations (see Sec. 3.1 ). Note that the generator relies on keypoin

実験結果

リサーチクエスチョン

• RQ1 顔検出やキーポイント検出タスクにおいて、ぼかしやマスキングといった伝統的な匿名化手法と比較して、現実的な匿名化がコンピュータビジョンモデルの性能をより良く保持できるか？
• RQ2 全身匿名化が、物体検出、セグメンテーション、ポーズ推定の各タスクにおけるモデル性能にどのように影響を与えるか？
• RQ3 顔の出現頻度が異なるデータセットで学習したモデルにおいて、顔匿名化が性能にどの程度劣化を引き起こすか？
• RQ4 自律走行車両のデータセットにおいて、現実的な匿名化が性能劣化を最小限に抑えつつプライバシー保護を実現できるか？

主な発見

• COCOデータセットでは顔がより多く登場するため、ぼかし処理による伝統的な顔匿名化はキーポイント検出モデルの性能に顕著な低下をもたらした。
• 現実的な顔匿名化はキーポイント検出の性能低下を最小限に抑え、伝統的処理よりも優れた性能を示した。
• 伝統的なぼかし処理による全身匿名化は、全評価データセットでモデル性能を著しく損なったが、特に物体検出およびセグメンテーションタスクで顕著だった。
• 現実的な全身匿名化は、伝統的処理と比較して性能劣化を顕著に緩和したが、顔匿名化ほどではない。
• 'rider'および'bicycle'クラスの検出性能低下は、匿名化そのものではなく、検出の重複に起因すると考えられ、他の車両クラスは影響を受けていなかった。
• 現在の生成モデルによる匿名化は、文脈の整合性や解像度の不一致に対処できず、特に小さな身体や局所化が不十分な場合に不自然な結果を生じる傾向がある。

Original