A Study of Face Obfuscation in ImageNet

要約

顔の難読化（ぼかし、モザイクなど）はプライバシー保護に有効であることが示されているが、物体認識の研究では、通常、難読化されていない完全な画像へのアクセスを想定している。本論文では、人気の高いImageNetチャレンジの視覚認識ベンチマークにおける顔の難読化の効果を調査する。ImageNetチャレンジのカテゴリのほとんどは人物カテゴリではありませんが、画像には付随的に多くの人物が登場し、彼らのプライバシーが懸念されます。我々はまず、データセットに含まれる顔にアノテーションを付与する。そして、顔の難読化が認識モデルの精度に最小限の影響を与えることを実証する。具体的には、難読化された画像に対して複数のディープニューラルネットワークをベンチマークし、全体の認識精度がわずかに（<= 1.0%）低下することを観察する。さらに、4つの下流タスク（物体認識、シーン認識、顔属性分類、物体検出）への転移学習の実験を行い、難読化画像で学習した特徴も同様に転移可能であることを示す。本研究は、プライバシーを考慮した視覚認識の実現可能性を示し、高度に利用されているImageNetチャレンジベンチマークを改善し、将来の視覚データセットのための重要な道筋を示唆するものである。データとコードは https://github.com/princetonvisualai/imagenet-face-obfuscation で公開されています。

要約(オリジナル)

Face obfuscation (blurring, mosaicing, etc.) has been shown to be effective for privacy protection; nevertheless, object recognition research typically assumes access to complete, unobfuscated images. In this paper, we explore the effects of face obfuscation on the popular ImageNet challenge visual recognition benchmark. Most categories in the ImageNet challenge are not people categories; however, many incidental people appear in the images, and their privacy is a concern. We first annotate faces in the dataset. Then we demonstrate that face obfuscation has minimal impact on the accuracy of recognition models. Concretely, we benchmark multiple deep neural networks on obfuscated images and observe that the overall recognition accuracy drops only slightly (<= 1.0%). Further, we experiment with transfer learning to 4 downstream tasks (object recognition, scene recognition, face attribute classification, and object detection) and show that features learned on obfuscated images are equally transferable. Our work demonstrates the feasibility of privacy-aware visual recognition, improves the highly-used ImageNet challenge benchmark, and suggests an important path for future visual datasets. Data and code are available at https://github.com/princetonvisualai/imagenet-face-obfuscation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL