Data-Driven but Privacy-Conscious: Pedestrian Dataset De-identification via Full-Body Person Synthesis

要約

データ駆動型テクノロジー ソリューションの出現に伴い、データ プライバシーに対する懸念が高まっています。
これは、歩行者の検出、再識別、追跡などの人間中心の画像認識タスクにとって特に重要です。
プライバシー問題の重要性を強調し、今後の研究を促進するために、私たちは歩行者データセット匿名化 (PDI) タスクを促進し、導入します。
PDI は、特定の匿名化方法に対する匿名化の程度と下流タスクのトレーニングのパフォーマンスを評価します。
最初のベースラインとして、敵対的生成ネットワークを介した画像合成に基づく 2 段階の全身匿名化パイプラインである IncogniMOT を提案します。
最初の段階では、ターゲットの歩行者を合成 ID に置き換えます。
下流のタスクのパフォーマンスを向上させるために、合成画像部分をデータにブレンドして適応させるステージ 2 を適用します。
IncogniMOT の有効性を実証するために、MOT17 歩行者追跡データセットの完全匿名化バージョンを生成し、歩行者の再識別、検出、追跡モデルのトレーニング データとしてそのアプリケーションを分析します。
さらに、プライバシーを意識した方法で、当社のデータが合成と実際のパフォーマンスの差をどのように縮めることができるかを示します。

要約(オリジナル)

The advent of data-driven technology solutions is accompanied by an increasing concern with data privacy. This is of particular importance for human-centered image recognition tasks, such as pedestrian detection, re-identification, and tracking. To highlight the importance of privacy issues and motivate future research, we motivate and introduce the Pedestrian Dataset De-Identification (PDI) task. PDI evaluates the degree of de-identification and downstream task training performance for a given de-identification method. As a first baseline, we propose IncogniMOT, a two-stage full-body de-identification pipeline based on image synthesis via generative adversarial networks. The first stage replaces target pedestrians with synthetic identities. To improve downstream task performance, we then apply stage two, which blends and adapts the synthetic image parts into the data. To demonstrate the effectiveness of IncogniMOT, we generate a fully de-identified version of the MOT17 pedestrian tracking dataset and analyze its application as training data for pedestrian re-identification, detection, and tracking models. Furthermore, we show how our data is able to narrow the synthetic-to-real performance gap in a privacy-conscious manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google