On Mask-based Image Set Desensitization with Recognition Support

要約

近年、ディープ ニューラル ネットワーク (DNN) が画像認識の実用的な手法として登場しました。
機密情報を含む生データは、通常、トレーニング プロセス内で利用されます。
ただし、トレーニング プロセスをサードパーティ組織に委託する場合は、機密情報を保護するために、転送する前に生データの感度を解除する必要があります。
マスクは重要な機密情報を隠すために広く適用されていますが、機密情報が復元される可能性があるマスクされたイメージの修復を防ぐことが重要です。
画像の感度低下による認識タスクや分類タスクのパフォーマンスの低下を軽減するには、マスクされた画像に対応するモデルを調整する必要があります。
この論文では、認識をサポートしながらマスクベースの画像の感度を下げるアプローチを提案します。
このアプローチは、マスク生成アルゴリズムとモデル調整方法で構成されます。
マスク生成アルゴリズムにおける認識タスクの重要な情報を維持するために解釈アルゴリズムを活用することを提案します。
さらに、マスク画像に基づいて性能を向上させるモデル調整手法として特徴選択マスクネットを提案します。
複数の画像データセットに基づく広範な実験結果により、認識をサポートしながら画像を減感するアプローチの大きな利点 (精度の点で最大 9.34%) が明らかになりました。

要約(オリジナル)

In recent years, Deep Neural Networks (DNN) have emerged as a practical method for image recognition. The raw data, which contain sensitive information, are generally exploited within the training process. However, when the training process is outsourced to a third-party organization, the raw data should be desensitized before being transferred to protect sensitive information. Although masks are widely applied to hide important sensitive information, preventing inpainting masked images is critical, which may restore the sensitive information. The corresponding models should be adjusted for the masked images to reduce the degradation of the performance for recognition or classification tasks due to the desensitization of images. In this paper, we propose a mask-based image desensitization approach while supporting recognition. This approach consists of a mask generation algorithm and a model adjustment method. We propose exploiting an interpretation algorithm to maintain critical information for the recognition task in the mask generation algorithm. In addition, we propose a feature selection masknet as the model adjustment method to improve the performance based on the masked images. Extensive experimentation results based on multiple image datasets reveal significant advantages (up to 9.34% in terms of accuracy) of our approach for image desensitization while supporting recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google