[论文解读] Block-wise Scrambled Image Recognition Using Adaptation Network

Koki Madono, Masayuki Tanaka+2 more|arXiv (Cornell University)|Jan 21, 2020

Digital Media Forensic Detection参考文献 13被引用 31

一句话总结

该论文提出一种适应网络，用于识别由 extended learnable encryption (ELE) 产生的逐块乱序图像，使基于DNN的分类具备感知信息隐藏能力。基于 ELE 的乱序与 ELE-AdaptNet 配对，在乱序下能实现可靠识别，而基于 LE 的乱序则安全性较低。

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.

研究动机与目标

• 通过隐藏感知信息以实现隐私保护的云端图像分析，同时允许机器识别。
• 扩展 learnable encryption (LE) 以加强乱序图像的安全性。
• 开发一个能够识别 ELE/LE/EtC 方案所产生的逐块乱序图像的适应网络。
• 比较 CIFAR-10/100 数据集上原图、LE、EtC、ELE 乱序的识别准确性。
• 提供一个在乱序图像的安全性水平与识别性能之间取得平衡的机制。

提出的方法

• 引入按块的乱序，将图像分成 B×B 的块，块内及块内像素按照每块密钥（ELE）进行乱序和重排。
• 提出一个适应网络，由按块的子网络、一个可学习的伪置换矩阵和一个像素混洗层组成。
• 对每个被乱序的块由一个专用子网络处理；提取的特征被整合、经伪置换对齐、通过像素混洗进行上采样后送入分类网络。
• 用复合损失进行训练：分类的交叉熵损失、鼓励伪置换稀疏性的 L1-2 罚项，以及在特征图上的空间平滑性罚项。
• 损失：L = L_CE + λ_U L_U + λ_s L_s，其中经验选择的 λ_U = 0.001，λ_s = 0.1。

实验结果

研究问题

• RQ1 一个适应网络是否可以跨多种乱序方案（LE、EtC、ELE）识别逐块乱序图像？
• RQ2 在不同乱序方案下，识别性能与安全等级之间的权衡如何？
• RQ3 引入伪置换矩阵和空间正则化是否提高了对逐块乱序在分类过程中的鲁棒性？
• RQ4 在所提出的适应框架下，CIFAR-10/100 的原图与乱序图像的对比性能如何？

主要发现

• ELE-AdaptNet 在 ELE 和 EtC 基于乱序的情形下达到最佳识别性能。
• 由于对 LE 的专门化，LE-AdaptNet 在 LE 基于乱序中表现最佳。
• 原图可获得较高准确性，乱序图像会降低准确性，在提出的适应网络下，ELE 在安全性与识别之间提供了有利的平衡。
• ELE 基于的乱序与所提出的适应网络配对，即使乱序强烈时也能给出可靠的后验概率，表明在感知隐藏下的鲁棒识别。
• ELE 方法提供的密钥空间大于 LE 或 EtC，表明在保持与适应网络兼容的同时，感知信息隐藏具有更高的安全性。