[論文レビュー] Privacy-Preserving Visual Feature Descriptors through Adversarial Affine Subspace Embedding

Mihai Dusmanu, Johannes L. Schönberger+2 more|arXiv (Cornell University)|Jun 11, 2020

Face recognition and analysis被引用数 5

ひとこと要約

本稿では、敵対的サンプルを用いて元の特徴量をアフィン部分空間に埋め込むことで、部分空間同士の距離を用いた安全な特徴量マッチングを可能にするプライバシー保護型視覚的特徴記述子を提案する。この手法は、マッチング性能を維持しつつ、個人情報の画像内容の再構築を著しく困難にする。

ABSTRACT

Many computer vision systems require users to upload image features to the cloud for processing and storage. Such features can be exploited to recover sensitive information about the scene or subjects, e.g., by reconstructing the appearance of the original image. To address this privacy concern, we propose a new privacy-preserving feature representation. The core idea of our work is to drop constraints from each feature descriptor by embedding it within an affine subspace containing the original feature as well as one or more adversarial feature samples. Feature matching on the privacy-preserving representation is enabled based on the notion of subspace-to-subspace distance. We experimentally demonstrate the effectiveness of our method and its high practical relevance for applications such as crowd-sourced 3D scene reconstruction and face authentication. Compared to the original features, our approach has only marginal impact on performance but makes it significantly more difficult for an adversary to recover private information.

研究の動機と目的

• アップロードされた特徴量がシーンや被写体に関する機微な情報を漏洩する可能性があるクラウドベースのコンピュータビジョンにおけるプライバシーリスクに対処すること。
• マッチングや認識などの下流タスクに有用な特徴表現を構築し、同時に再構築攻撃に対して耐性を持つこと。
• 元の画像の詳細を露呈せずに、クラウドソーシングされた3次元再構築や顔認証などのアプリケーションにおける安全な特徴量共有を可能にすること。
• プライバシー漏洩に対する耐性を最大化すると同時に、元の特徴量と比較して性能劣化を最小限に抑えること。

提案手法

• 本手法は、各元の特徴記述子を、元の特徴量と1つ以上の敵対的特徤量サンプルを含むアフィン部分空間に埋め込む。
• 特徴量マッチングは、従来の記述子同士の比較に代わり、部分空間同士の距離メトリックを用いて実行する。
• 敵対的サンプルは、再構築を混乱させる一方で、マッチングに有用な幾何的関係を保持するように設計される。
• SIFT やディープ特徴量といった標準的な特徴記述子上で動作するため、既存のビジョンパイプラインとの互換性を維持する。
• アフィン部分空間埋め込みにより、元の特徴量は変換されたプライバシー強化型表現内に保持される。

実験結果

リサーチクエスチョン

• RQ1 マッチングの有用性を維持しつつ、元の画像の再構築が非現実的になるような特徴表現を設計可能か？
• RQ2 アフィン部分空間に敵対的サンプルを含めることで、特徴量マッチングタスクの性能にどのような影響を与えるか？
• RQ3 標準的な特徴表現と比較して、提案手法がどれほどプライバシー漏洩のリスクを低減するか？
• RQ4 実世界のビジョンアプリケーションにおいて、プライバシー保護とマッチング精度の間にはどのようなトレードオフが生じるか？

主な発見

• 提案手法は、特徴量マッチングタスクにおいて元の特徴量とほぼ同一の性能を達成しており、わずかな劣化にとどまる。
• プライバシー保護型特徴量に対する敵対的再構築攻撃の成功率は、元の特徴量と比較して著しく低下している。
• 顔認識やシーン詳細といった機微な視覚的コンテンツが、埋め込まれた特徴量から回復されることを効果的に防止している。
• クラウドソーシングされた3次元再構築や顔認証などの実世界アプリケーションにおいて、実用的に有効である。