[论文解读] Privacy-Preserving Action Recognition for Smart Hospitals using Low-Resolution Depth Images

Edward Chou, Matthew Tan+5 more|arXiv (Cornell University)|Nov 25, 2018

Medical Imaging and AnalysisEngineering被引用 19

一句话总结

本文提出了一种用于智能医院的隐私保护动作识别框架，通过使用低分辨率深度图像以最小化患者监控的隐私担忧。通过将深度帧下采样至14×14或56×56，并利用私有训练的DCSCN超分辨率模型进行增强，该方法在手部卫生监测中保持了98.24%的高准确率，在ICU活动记录中达到72.4%的准确率，证明了隐私保护视觉系统在关键医疗任务中仍能保持足够的实用性。

ABSTRACT

Computer-vision hospital systems can greatly assist healthcare workers and improve medical facility treatment, but often face patient resistance due to the perceived intrusiveness and violation of privacy associated with visual surveillance. We downsample video frames to extremely low resolutions to degrade private information from surveillance videos. We measure the amount of activity-recognition information retained in low resolution depth images, and also apply a privately-trained DCSCN super-resolution model to enhance the utility of our images. We implement our techniques with two actual healthcare-surveillance scenarios, hand-hygiene compliance and ICU activity-logging, and show that our privacy-preserving techniques preserve enough information for realistic healthcare tasks.

研究动机与目标

• 通过在深度图像中最小化视觉信息，解决医院监控中的患者隐私担忧。
• 在进行激进下采样后，仍保持对关键医疗任务足够高的动作识别实用性。
• 开发一种结合低分辨率输入与私有超分辨率增强的框架，以在隐私与性能之间取得平衡。
• 证明在ICU和卫生合规性监控等真实医疗环境中部署非侵入性视觉系统的可行性。
• 通过类似低分辨率与增强技术，实现未来RGB系统与隐私保障的集成。

提出的方法

• 使用双三次插值将原始224×224深度图像下采样至14×14或56×56，以减少隐私敏感信息。
• 在独立的隐私安全数据集上训练私有训练的DCSCN超分辨率模型，以增强低分辨率深度图像。
• 使用ResNet-50模型进行手部卫生识别，使用ResNet-18模型进行ICU活动记录，两者均在下采样并增强的帧上进行微调。
• 对手部卫生数据集应用随机变换的数据增强技术，以平衡类别不平衡问题。
• 采用两阶段流程：低分辨率输入 → 超分辨率增强 → 动作识别推理。
• 通过在非患者数据上训练超分辨率模型，确保隐私安全，避免暴露于敏感医疗或身份信息。

实验结果

研究问题

• RQ1 将深度图像下采样至14×14或56×56在多大程度上保留了对医疗任务的动作识别实用性？
• RQ2 私有训练的超分辨率模型是否能在不重新引入隐私风险的情况下增强低分辨率深度图像？
• RQ3 与全分辨率输入相比，下采样与超分辨率的结合是否提升了或降低了性能？
• RQ4 在真实医疗动作识别任务中，与现有方法相比，隐私保护的下采样与增强在准确率和AUC方面表现如何？
• RQ5 基于低分辨率深度图像的系统是否能在特定医疗应用中实现与全分辨率系统相当或更优的性能？

主要发现

• 56×56分辨率配合DCSCN增强在手部卫生识别中达到98.24%的测试准确率，超过原始224×224基线的94.5%。
• 即使在14×14分辨率下配合DCSCN增强，也达到了95.87%的准确率，优于原始分辨率在手部卫生任务中的表现。
• 对于ICU活动记录，56×56分辨率配合DCSCN实现72.4%的测试准确率，与全分辨率下的68.8%基线相比仅出现轻微下降。
• ICU第4类（'离开椅子'）的AUC从14×14无增强时的0.724提升至使用DCSCN后的0.725，表明尽管分辨率低，但分类判别能力仍有所增强。
• 视觉检查确认，14×14深度帧在人类眼中无法识别身份、面部特征或敏感活动，支持强有力的隐私保障。
• 令人惊讶的是，仅下采样本身在某些情况下反而提升了性能，可能由于正则化效应减少了手部卫生数据集上的过拟合。