Person Re-Identification without Identification via Event Anonymization

要約

公共の場で視覚監視を大規模に使用すると、個人のプライバシーが危険にさらされると同時に、リソースの消費量 (エネルギー、帯域幅、計算量) が増加します。
ニューロモーフィック ビジョン センサー (イベント カメラ) は、シーン内の被写体の詳細な RGB 視覚情報をキャプチャしないため、プライバシー問題に対する有効な解決策と最近考えられています。
しかし、最近の深層学習アーキテクチャでは、イベント カメラからの画像を高い忠実度で再構築できるようになり、イベントベースのビジョン アプリケーションにとってプライバシーに対する潜在的な脅威が再び持ち込まれています。
この論文では、このような画像再構成攻撃から人間の主体の身元を保護するためにイベント ストリームを匿名化することを目的としています。
これを達成するために、プライバシーの保護と人物 ReId などの下流タスクの実行という 2 つの目的に合わせて共同で最適化されたエンドツーエンドのネットワーク アーキテクチャを提案します。
私たちのネットワークはイベントをスクランブルすることを学習し、プライバシー攻撃者から回収した画像を強制的に劣化させます。
この取り組みでは、アプローチのパフォーマンスを評価するために収集された史上初のイベントベースの人物 ReId データセットもコミュニティに提供します。
私たちは広範な実験によってアプローチを検証し、公開されている SoftBio データセットと私たちが提案する Event-ReId データセットからシミュレートされた合成イベント データに関する結果を報告します。

要約(オリジナル)

Wide-scale use of visual surveillance in public spaces puts individual privacy at stake while increasing resource consumption (energy, bandwidth, and computation). Neuromorphic vision sensors (event-cameras) have been recently considered a valid solution to the privacy issue because they do not capture detailed RGB visual information of the subjects in the scene. However, recent deep learning architectures have been able to reconstruct images from event cameras with high fidelity, reintroducing a potential threat to privacy for event-based vision applications. In this paper, we aim to anonymize event-streams to protect the identity of human subjects against such image reconstruction attacks. To achieve this, we propose an end-to-end network architecture jointly optimized for the twofold objective of preserving privacy and performing a downstream task such as person ReId. Our network learns to scramble events, enforcing the degradation of images recovered from the privacy attacker. In this work, we also bring to the community the first ever event-based person ReId dataset gathered to evaluate the performance of our approach. We validate our approach with extensive experiments and report results on the synthetic event data simulated from the publicly available SoftBio dataset and our proposed Event-ReId dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google