[論文レビュー] Unsupervised Enhancement of Soft-biometric Privacy with Negative Face Recognition

Philipp Terhörst, Marco Huber+3 more|arXiv (Cornell University)|Feb 21, 2020

Biometric Identification and Security参考文献 35被引用数 18

ひとこと要約

本稿では、実際の顔画像ではなく、存在しない補完的顔特徴テンプレートのみを保存することで、ソフトバイオメトリクスのプライバシーを強化する非教師あり手法であるネガティブ・フェイス・レコognition（NFR）を提案する。プローブテンプレートをこれらのネガティブなリファレンスと比較することで、性別、年齢、人種といったプライバシーに敏感な属性を抑圧する。非制御的条件下では最大36%の抑圧を達成し、同時に完全な認識性能を維持する。従来の教師あり手法に比べ、プライバシー保護と正確性の両面で優れている。

ABSTRACT

Current research on soft-biometrics showed that privacy-sensitive information can be deduced from biometric templates of an individual. Since for many applications, these templates are expected to be used for recognition purposes only, this raises major privacy issues. Previous works focused on supervised privacy-enhancing solutions that require privacy-sensitive information about individuals and limit their application to the suppression of single and pre-defined attributes. Consequently, they do not take into account attributes that are not considered in the training. In this work, we present Negative Face Recognition (NFR), a novel face recognition approach that enhances the soft-biometric privacy on the template-level by representing face templates in a complementary (negative) domain. While ordinary templates characterize facial properties of an individual, negative templates describe facial properties that does not exist for this individual. This suppresses privacy-sensitive information from stored templates. Experiments are conducted on two publicly available datasets captured under controlled and uncontrolled scenarios on three privacy-sensitive attributes. The experiments demonstrate that our proposed approach reaches higher suppression rates than previous work, while maintaining higher recognition performances as well. Unlike previous works, our approach does not require privacy-sensitive labels and offers a more comprehensive privacy-protection not limited to pre-defined attributes.

研究の動機と目的

• 性別、年齢、民族など、ソフトバイオメトリクス属性を露呈するバイオメトリクステンプレートによるプライバシー漏洩を是正すること。
• プライバシーのラベル付き学習データを必要とし、事前に定義された属性に限定される教師あり手法の限界を克服すること。
• 適応的関数拡大攻撃に対して耐性を持つプライバシー保護型顔認識システムを設計すること。
• 意図しない属性推定を抑圧しつつ、高い顔認識性能を維持すること。
• 非可逆的で、取り消可能で、リンク不能であることを設計上保証するテンプレートレベルの非教師ありソリューションを提供すること。

提案手法

• 本手法は、深層特徴のk-meansクラスタリングに基づくバイナリゼーション戦略を用いて、個人に存在しない顔特徴を表すネガティブ顔テンプレートを導入する。
• 深層特徴の学習済み量子化関数を用いて顔テンプレートをバイナリコードに符号化し、抑制と性能のバランスを図るためにk=3またはk=4のビンを用いる。
• 認識は、ポジティブなプローブテンプレートをネガティブなリファレンステンプレートと比較することで実行され、信頼性を保証するための理論的スコア分布モデルを活用する。
• ネガティブ－ポジティブ比較空間における期待スコア分布を理論的にモデル化し、ColorFeretおよびAdienceの2つのデータセットで実証的に検証した。
• 本手法は補完的表現を採用する。ポジティブテンプレートが実際の顔の特性を記述するのに対し、ネガティブテンプレートは存在しない、ランダムな補完的特徴のみを符号化する。
• 本システムはプライバシーに敏感なラベルを一切使用せず学習されるため、非教師ありであり、事前に定義された属性を超えた未確認の属性に対してもスケーラブルである。

実験結果

リサーチクエスチョン

• RQ1 プライバシー関連のラベル付きデータを必要とせず、顔テンプレートからプライバシーに敏感な属性を抑圧できる非教師あり手法は存在するか？
• RQ2 制御的および非制御的画像条件下で、ネガティブ・フェイス・レコognitionは性別、年齢、人種属性をどれほど効果的に抑圧できるか？
• RQ3 高い顔認識正確性を維持しつつ、強力な属性抑圧を達成できるか？
• RQ4 プライバシー機構を把握した適応的関数拡大攻撃者に対しても、本手法はどの程度の性能を示すか？
• RQ5 テンプレートのビンサイズ（k）と認識性能と属性抑圧のトレードオフの理論的および実証的関係は何か？

主な発見

• 提案されたNFR手法は、非制御的条件下でプライバシーに敏感な属性を最大36%抑圧し、従来の教師あり手法を著しく上回った。
• 非制御的条件下でも、NFRは完全な認識性能（100%の認証正確性）を維持しながら、従来の手法よりも優れた属性抑圧を達成した。
• 攻撃者がシステムに適応しても、本手法は複数の属性および攻撃モデルにおいて、従来の研究の2〜4倍の高い抑圧率を達成した。
• 理論的スコア予測モデルは、ColorFeretおよびAdienceデータセットの両方で実証的スコア分布と非常に近い一致を示し、本手法の理論的基盤の妥当性を裏付けた。
• 最適なビンサイズはk=3であり、高い属性抑圧と低い認証誤差を両立する。k=4では変動性が高く、性能劣化が顕著に見られた。
• 本手法は非教師ありであり、プライバシーのラベル付きデータを一切必要としないため、事前に定義された属性を超えた包括的保護が可能である。