Anonymization for Skeleton Action Recognition

要約

スケルトンベースの動作認識は、データセットの軽量でコンパクトな性質により、実務家や研究者を魅了しています。
RGBビデオベースの行動認識と比較して、スケルトンベースの行動認識は、競争力のある認識性能を持ちながら、被験者のプライバシーを保護するためのより安全な方法です.
ただし、スケルトン認識アルゴリズム、モーション センサー、深度センサーの改善により、モーション特性の詳細をスケルトン データセットに保存できるようになり、プライバシーが漏えいする可能性があります。
最初に分類器をトレーニングして、スケルトンの軌跡から個人情報を分類し、スケルトン データセットからのプライバシー漏洩の可能性を調査します。
予備実験では、Shift-GCN、MS-G3D、および 2s-AGCN の 3 つのベースライン モデルで、性別分類器が平均 87% の精度を達成し、再識別分類器が平均で 80% の精度を達成することが示されています。
スケルトンデータセットからの潜在的なプライバシー漏洩を保護するために、敵対的学習に基づく匿名化フレームワークを提案します。
実験結果は、匿名化されたデータセットがプライバシー漏洩のリスクを軽減できることを示していますが、単純なアノニマイザー アーキテクチャであっても、行動認識のパフォーマンスにはわずかな影響しか与えません。
実験で使用したコードは、https://github.com/ml-postech/Skeleton-anonymization/ で入手できます。

要約(オリジナル)

Skeleton-based action recognition attracts practitioners and researchers due to the lightweight, compact nature of datasets. Compared with RGB-video-based action recognition, skeleton-based action recognition is a safer way to protect the privacy of subjects while having competitive recognition performance. However, due to improvements in skeleton recognition algorithms as well as motion and depth sensors, more details of motion characteristics can be preserved in the skeleton dataset, leading to potential privacy leakage. We first train classifiers to categorize private information from skeleton trajectories to investigate the potential privacy leakage from skeleton datasets. Our preliminary experiments show that the gender classifier achieves 87% accuracy on average, and the re-identification classifier achieves 80% accuracy on average with three baseline models: Shift-GCN, MS-G3D, and 2s-AGCN. We propose an anonymization framework based on adversarial learning to protect potential privacy leakage from the skeleton dataset. Experimental results show that an anonymized dataset can reduce the risk of privacy leakage while having marginal effects on action recognition performance even with simple anonymizer architectures. The code used in our experiments is available at https://github.com/ml-postech/Skeleton-anonymization/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google