Low-Latency Video Anonymization for Crowd Anomaly Detection: Privacy vs. Performance

要約

人工知能の最近の進歩により、監視カメラによる監視アプリケーションには大きな可能性が期待されています。
ただし、プライバシーとモデルのバイアスに関する懸念により、公の場でそれらを使用することが困難になっています。
特定レベルの匿名化を達成することを目的とした匿名化アプローチが文献で提案されていますが、そのほとんどは、リアルタイムのエッジ展開に必要な計算量を必要とする深層学習モデルを採用しています。
この研究では、プライバシー保護とリアルタイム ビデオ異常検出 (VAD) アプリケーションのための従来の匿名化ソリューションを再検討します。
我々は、動的調整を採用してプライバシー保護を強化する、VAD 用の新しい軽量適応匿名化 (LA3D) を提案します。
私たちは、さまざまな匿名化技術の長所と短所を調査し、私たちのアプローチの有望な有効性を強調するために、公開されているプラ​​イバシーと VAD データセットに関するアプローチを評価しました。
私たちの実験は、LA3D が VAD の有効性を大幅に低下させることなく、プライバシー匿名化機能を大幅に向上できることを示しています。

要約(オリジナル)

Recent advancements in artificial intelligence promise ample potential in monitoring applications with surveillance cameras. However, concerns about privacy and model bias have made it challenging to utilize them in public. Although de-identification approaches have been proposed in the literature, aiming to achieve a certain level of anonymization, most of them employ deep learning models that are computationally demanding for real-time edge deployment. In this study, we revisit conventional anonymization solutions for privacy protection and real-time video anomaly detection (VAD) applications. We propose a novel lightweight adaptive anonymization for VAD (LA3D) that employs dynamic adjustment to enhance privacy protection. We evaluated the approaches on publicly available privacy and VAD data sets to examine the strengths and weaknesses of the different anonymization techniques and highlight the promising efficacy of our approach. Our experiment demonstrates that LA3D enables substantial improvement in the privacy anonymization capability without majorly degrading VAD efficacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google