[논문 리뷰] Block-wise Scrambled Image Recognition Using Adaptation Network

Koki Madono, Masayuki Tanaka외 2명|arXiv (Cornell University)|2020. 01. 21.

Digital Media Forensic Detection참고 문헌 13인용 수 31

한 줄 요약

이 논문은 확장 가능 학습 암호화(ELE)로 생성된 블록 단위 스크램블 이미지를 인식하기 위한 적응 네트워크를 제안하여 DNN 기반 분류를 통한 지각 정보 은닉을 가능하게 한다. ELE 기반 스크램블링과 ELE-AdaptNet의 조합은 스크램블링하에서 신뢰할 수 있는 인식을 제공하는 반면, LE 기반 스크램블링은 보안성이 상대적으로 낮다.

ABSTRACT

In this study, a perceptually hidden object-recognition method is investigated to generate secure images recognizable by humans but not machines. Hence, both the perceptual information hiding and the corresponding object recognition methods should be developed. Block-wise image scrambling is introduced to hide perceptual information from a third party. In addition, an adaptation network is proposed to recognize those scrambled images. Experimental comparisons conducted using CIFAR datasets demonstrated that the proposed adaptation network performed well in incorporating simple perceptual information hiding into DNN-based image classification.

연구 동기 및 목표

• 인간으로부터의 지각 정보를 감추면서도 기계 인식을 가능하게 하는 프라이버시를 보호하는 클라우드 기반 이미지 분석을 유도합니다.
• 스램블된 이미지의 보안을 강화하기 위해 학습 가능한 암호화(LE)를 확장합니다.
• ELE/LE/EtC 스킴으로 생성된 블록 단위 스크램블 이미지를 인식할 수 있는 적응 네트워크를 개발합니다.
• CIFAR-10/100 데이터셋에서 평문, LE, EtC, ELE 스크램블링 간 인식 정확도를 비교합니다.
• 스램블된 이미지의 보안 수준과 인식 성능 사이의 균형을 조정하는 메커니즘을 제공합니다.

제안 방법

• 이미지를 B×B 블록으로 나누고, 블록들을 재배열하며 블록 내 픽셀도 블록별 키(ELE)로 섞는 블록 단위 스크램블링을 도입합니다.
• 블록 단위 서브네트워크, 학습 가능한 유사 순열 행렬, 픽셀 셔플 계층으로 구성된 적응 네트워크를 제안합니다.
• 각 스크램블드 블록은 전용 서브네트워크에 의해 처리되고, 특징들을 통합한 뒤 유사 순열 정렬을 거쳐 픽셀 셔플로 해상도를 높이고 분류 네트워크에 공급합니다.
• 분류를 위한 교차 엔트로피 손실과 희소한 유사 순열을 유도하는 L1-2 페널티, 특징 맵의 공간적 매끈함에 대한 페널티를 결합한 합성 손실로 학습합니다.
• 손실: L = L_CE + λ_U L_U + λ_s L_s 로, 경험적으로 선택된 λ_U = 0.001, λ_s = 0.1 입니다.

실험 결과

연구 질문

• RQ1 하나의 적응 네트워크가 LE, EtC, ELE의 여러 스크램블링 스킴에서 블록 단위로 스크램블된 이미지를 인식할 수 있는가?
• RQ2 다양한 스크램블링 스킴에서 인식 성능이 보안 수준과 어떻게 trade-off를 이루는가?
• RQ3 유사 순열 행렬과 공간 규칙화 도입이 분류 과정에서 블록 단위 스크램블링에 대한 강인성을 향상시키는가?
• RQ4 제안된 적응 프레임워크 하에서 CIFAR-10/100의 평문 대비 스크램블된 이미지의 상대적 성능은 어떠한가?

주요 결과

• ELE-AdaptNet은 ELE 기반 및 EtC 기반 스크램블링에 대해 최상의 인식 성능을 달성한다.
• LE 기반 스크램블링의 경우 LE에 특화되어 있어 LE-AdaptNet이 최상의 성능을 보인다.
• 평문 이미지는 높은 정확도를 보이고 스크램블된 이미지는 정확도가 감소하는 경향이 있으며, ELE는 제안된 적응 네트워크 하에서 보안과 인식 사이의 균형을 우호적으로 제공한다.
• ELE 기반 스크램블링은 제안된 적응 네트워크와 함께 강한 스크램블링에서도 신뢰할 수 있는 사후 확률을 제공하여 지각 은닉 하에서의 로버스트한 인식을 시사한다.
• ELE 방법은 LE 또는 EtC보다 더 큰 키 공간을 제공하여 지각 정보 은닉의 보안성을 높이면서도 적응 네트워크와의 호환성을 유지한다.