[論文レビュー] Learning to Anonymize Faces for Privacy Preserving Action Detection

Zhongzheng Ren, Yong Jae Lee+1 more|arXiv (Cornell University)|Mar 30, 2018

Face recognition and analysis参考文献 55被引用数 13

ひとこと要約

本稿では、行動検出性能を維持しつつ動画内の顔を匿名化するGANベースの敵対的フレームワークを提案する。顔認識精度を最小化するための勾配上昇法を用いて、顔識別器に対して敵対的に訓練された動画匿名化モデルにより、行動検出タスクへの影響を最小限に抑えつつ、効果的なプライバシー保護を実現する。

ABSTRACT

There is an increasing concern in computer vision devices invading users' privacy by recording unwanted videos. On the one hand, we want the camera systems to recognize important events and assist human daily lives by understanding its videos, but on the other hand we want to ensure that they do not intrude people's privacy. In this paper, we propose a new principled approach for learning a video \emph{face anonymizer}. We use an adversarial training setting in which two competing systems fight: (1) a video anonymizer that modifies the original video to remove privacy-sensitive information while still trying to maximize spatial action detection performance, and (2) a discriminator that tries to extract privacy-sensitive information from the anonymized videos. The end result is a video anonymizer that performs pixel-level modifications to anonymize each person's face, with minimal effect on action detection performance. We experimentally confirm the benefits of our approach compared to conventional hand-crafted anonymization methods including masking, blurring, and noise adding. Code, demo, and more results can be found on our project page https://jason718.github.io/project/privacy/main.html.

研究の動機と目的

• ウェアラブルデバイスやスマートカメラを含む動画ベースのコンピュータビジョンシステムにおけるプライバシー侵害の懸念が高まる中、その問題に取り組む。
• ブリングやマスキングといったヒューリスティック手法よりも優れた、原理的で学習ベースの動画匿名化手法を開発する。
• 匿名化が下流の行動検出タスクの性能を低下させないことを保証する。
• 顔の個人識別を隠しつつ、行動認識に不可欠な空間的・時間的手がかりを保持するシステムを設計する。
• データ処理や送信の前段階でプライバシーを保護できる、ハードウェアレベルでの匿名化の実装を可能にする。

提案手法

• 生成器を動画匿名化モデル、判別器を顔識別分類器として機能させるマルチタスクGANフレームワークを採用する。
• 修正されたフレーム上で顔識別器の分類誤差を最大化するように、匿名化モデルを勾配上昇法で訓練する。
• 匿名化が動きや行動の手がかりを保持することを保証するため、行動検出モデルを正則化項として統合する。
• 敵対的損失を最適化して、顔の識別を消去するが現実的で自然な見た目の変更を生成する匿名化モデルを最適化する。
• 空間的・時間的整合性を保ちながら、エンドツーエンドで微分可能に動画フレームに学習済みの匿名化モデルを適用する。
• 実世界のデータセット（DALYおよびJHMDB）を用いて、現実的な条件下でシステムの学習と評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドで学習された匿名化モデルは、顔の個人識別を効果的に隠しつつ、行動検出性能を高い水準で維持できるか？
• RQ2 顔匿名化モデルと顔識別器の間での敵対的学習は、従来の手作業による匿名化手法（例：ぼかしやマスキング）と比較してどのように優れているか？
• RQ3 匿名化された顔は、人間および機械分類器が個人を特定するのをどの程度困難にするか？
• RQ4 匿名化プロセスは、行動認識に必要な動きの手がかりの質を損なう、アーチファクトを生じさせるか？
• RQ5 異なる個人や動画シーケンスにおいて、匿名化モデルの挙動は一貫しているか、それとも確率的（ランダム）な方法で顔を変更しているか？

主な発見

• 提案手法は、修正済みLFW顔画像において66.95%の顔認証精度を達成した。これは元の顔画像の94.75%と比較して顕著に低く、有効な匿名化が実現したことを示している。
• 人間被験者は、2枚の修正済み顔画像が同じ人物かどうかを53.3%の正確さで正しく特定した。これはランダム確率（50%）に近く、人間レベルの識別困難性を示している。
• 有名人特定テストでは、匿名化後、16人の有名人物のうち19.75%しか正しく名前を特定できなかった。これは識別可能性の著しい低下を確認している。
• 被験者の85%以上が、この技術が自身のプライバシーを保護すると信じており、強いプライバシー保護の認識が得られた。
• モデルは、同じ人物の複数フレームにわたって一貫した個人識別を変更しており、ランダムノイズではなく体系的な識別変換が行われていることが示された。
• 生成器に対してラベルのランダム最適化を適用した場合、深刻なアーチファクトとぼやけが生じたが、勾配上昇法により、より現実的で識別を消去する変更が得られた。