CN112818407B - 一种基于生成对抗网络的视频隐私保护方法 - Google Patents
一种基于生成对抗网络的视频隐私保护方法 Download PDFInfo
- Publication number
- CN112818407B CN112818407B CN202110409156.5A CN202110409156A CN112818407B CN 112818407 B CN112818407 B CN 112818407B CN 202110409156 A CN202110409156 A CN 202110409156A CN 112818407 B CN112818407 B CN 112818407B
- Authority
- CN
- China
- Prior art keywords
- video
- confrontation
- samples
- network
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成对抗网络的视频隐私保护方法,属于人工智能安全领域,解决现有技术中的隐私保护方法无法对视频进行隐私保护。本发明将点对点的图像生成系统作为对抗网络生成器,并基于视频数据集Image‑net训练得到一系列的视频对抗样本;将三种不同架构的视频分类系统作为对抗网络鉴别器,并基于一系列的对抗样本和对应的原始视频对对抗网络鉴别器进行训练,若训练后能分辨出对抗样本和原始视频的区别,根据训练后的对抗网络鉴别器的参数,利用梯度下降方法对中训练后的对抗网络生成器进行优化,并再次执行,否则,得到训练好的对抗网络生成器对隐私保护的视频进行处理,得到视频对抗样本。本发明用于视频隐私保护。
Description
技术领域
一种基于生成对抗网络的视频隐私保护方法,用于视频隐私保护,属于人工智能安全领域。
背景技术
近年来,随着深度神经网络技术的发展,基于深度神经网络的视频分类技术得到了广泛的应用,这大大提高了视频内容分析的效率。但与此同时,基于深度神经网络的视频分类系统可对视频内容进行分类,从而广泛地获取个人的行为习惯和行为模式,从而进行大数据分析,导致了针对性的诈骗等风险,即基于深度神经网络的视频分类技术的广泛应用特别容易造成了个人隐私的泄露,如:越来越多的平台提供个人视频上传分享功能,而不经处理的个人视频可能会遭到基于深度神经网络的视频分类系统的分析,从而导致视频中包含的个人隐私遭到侵害。
发明内容
针对上述研究的问题,本发明的目的在于提供一种基于生成对抗网络的视频隐私保护方法,解决现有技术中的隐私保护方法无法对视频进行隐私保护。
为了达到上述目的,本发明采用如下技术方案:
一种基于生成对抗网络的视频隐私保护方法,如下步骤:
S1、将点对点的图像生成系统作为对抗网络生成器,并基于视频数据集Image-net中的原始视频训练对抗网络生成器得到一系列的视频对抗样本;
S2、将三种不同架构的视频分类系统作为对抗网络鉴别器,并基于一系列的视频对抗样本和视频对抗样本对应的原始视频对对抗网络鉴别器进行训练,若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别,即对抗网络鉴别器能正确分类20%以上的视频对抗样本,转到步骤S3,否则,得到训练好的对抗网络生成器,转到步骤S4;
S3、根据步骤S2中训练后的对抗网络鉴别器的参数,利用梯度下降方法对步骤S1中训练后的对抗网络生成器进行优化,并基于优化后的对抗网络生成器转到步骤S1再次执行;
S4、将需要进行隐私保护的视频输入训练好的对抗网络生成器,得到视频对抗样本。
进一步,所述步骤S1的具体步骤如下:
进一步,所述步骤S2的具体步骤如下:
S2.2、将一系列的视频对抗样本和视频对抗样本对应的原始样本输入对抗网络鉴别器,输出结果为,若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别,即对抗网络鉴别器能正确分类20%以上的视频对抗样本,转到步骤S3,否则,得到训练好的对抗网络生成器,转到步骤S4。其中,表示视频对抗样本输入对抗网络鉴别器输出的结果, 表示视频对抗样本输入视频分类系统输出的结果,表示视频对抗样本输入视频分类系统输出的结果,表示视频对抗样本输入视频分类系统输出的结果。
进一步,所述步骤S3的具体步骤如下:
根据对抗网络生成器的损失函数,计算损失函数对中各参数的梯度,再沿着梯度下降方向调整参数,对步骤S1中训练后的对抗网络生成器进行优化,即的参数,为较小的常数,并基于优化后的对抗网络生成器转到步骤S1再次执行,其中,表示对求期望,表示对求期望,表示第轮得到的梯度,表示第轮得到对抗网络生成器神经网络的参数,是一个多维张量,表示对抗网络鉴别器的输出,表示对抗网络生成器的输出。
本发明同现有技术相比,其有益效果表现在:
一、现有视频对抗样本生成技术是基于梯度下降的优化过程,通常需要数万次的迭代,本发明基于生成构造对抗样本,在对抗网络生成器训练完成后,使用时只需要将原始视频输入生成器,经过复杂度O(1)的生成过程即可得到视频对抗样本,大大提高了视频对抗样本生成的效率,实现了对原始视频实时地处理,提高了该方法的实用性;
二、本发明的用户只需要很少的时间即可实现隐私保护,根据原始视频的大小,使用现有其它方法生成对抗样本通常比使用本发明消耗高一个数量级的时间,且视频大小越大两者的差距越大。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种基于生成对抗网络的视频隐私保护方法,如下步骤:
S1、将点对点的图像生成系统作为对抗网络生成器,并基于视频数据集Image-net中的原始视频训练对抗网络生成器得到一系列的视频对抗样本;
具体步骤如下:
S2、将三种不同架构的视频分类系统作为对抗网络鉴别器,并基于一系列的视频对抗样本和视频对抗样本对应的原始视频对对抗网络鉴别器进行训练,若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别,即对抗网络鉴别器能正确分类20%以上的视频对抗样本,转到步骤S3,否则,得到训练好的对抗网络生成器,转到步骤S4;
具体步骤如下:
S2.2、将一系列的视频对抗样本和视频对抗样本对应的原始样本输入对抗网络鉴别器,输出结果为,若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别,即对抗网络鉴别器能正确分类20%以上的视频对抗样本,转到步骤S3,否则,得到训练好的对抗网络生成器,转到步骤S4。
具体步骤如下:
根据对抗网络生成器的损失函数,计算损失函数对中各参数的梯度,再沿着梯度下降方向调整参数,对步骤S1中训练后的对抗网络生成器进行优化,即的参数,为较小的常数,并基于优化后的对抗网络生成器转到步骤S1再次执行,其中,表示对求期望,表示对求期望,表示第轮得到的梯度,表示第轮得到对抗网络生成器神经网络的参数,是一个多维张量,表示对抗网络鉴别器的输出,表示对抗网络生成器的输出。
S3、根据步骤S2中训练后的对抗网络鉴别器的参数,利用梯度下降方法对步骤S1中训练后的对抗网络生成器进行优化,并基于优化后的对抗网络生成器转到步骤S1再次执行;
S4、将需要进行隐私保护的视频输入训练好的对抗网络生成器,得到视频对抗样本。实施例
首先初始化GAN结构,即对抗网络生成器的结构,将对抗网络生成器初始化为点对点的图像生成系统;对抗网络鉴别器D由三种不同架构的视频分类模型I3D、C3D和CNN+LSTM在视频数据集Image-Net上训练得到视频分类系统组合构成。
在视频数据集Image-Net上对初始化的GAN结构进行训练以达到纳什均衡。即首先输入一系列原始视频到对抗网络生成器,生成一系列的视频对抗样本。再将生成的一系列的视频对抗样本和原始视频同时输入对抗网络鉴别器D,对对抗网络鉴别器D进行拟合,即对对抗网络鉴别器D进行训练,若训练后的对抗网络鉴别器D能正确分类视频对抗样本和原始视频。根据拟合后对抗网络鉴别器的参数,通过梯度下降算法对对抗网络生成器的参数进行调整,进入下一次循环。直到对抗网络鉴别器无法正确分类对抗网络生成器生成的视频对抗样本,则退出循环。此时获得的对抗网络生成器即可用于隐私保护。
假设此时拥有一含有隐私信息的原始视频,将其输入对抗网络生成器,即可得到对应的视频对抗样本。此时的视频对抗样本具有使得基于深度神经网络的视频分类系统产生误分类的能力,用上传取代上传,即实现了对个人隐私信息的保护。
本发明是利用对抗样本的原理对基于深度神经网络的视频分类系统的分析进行防御。
现有技术对图像的处理通常采用模糊化或插值方法,对基于深度神经网络的系统分析缺乏抵抗力。部分采用了对抗样本技术的图片处理方法无法直接应用于视频对抗样本的生成,因为视频的维度比图片高很多,导致时间代价过长。而本方法基于生成的视频对抗样本,可以实现实时地获取视频对抗样本,在时间上具有很大优势。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (3)
1.一种基于生成对抗网络的视频隐私保护方法,其特征在于,如下步骤:
S1、将点对点的图像生成系统作为对抗网络生成器,并基于视频数据集Image-net中的原始视频训练对抗网络生成器得到一系列的视频对抗样本;
S2、将三种不同架构的视频分类系统作为对抗网络鉴别器,并基于一系列的视频对抗样本和视频对抗样本对应的原始视频对对抗网络鉴别器进行训练,若训练后的对抗网络鉴别器能分辨出步骤S1中得到的20%以上的视频对抗样本和原始视频的区别,即对抗网络鉴别器能正确分类20%以上的视频对抗样本,转到步骤S3,否则,得到训练好的对抗网络生成器,转到步骤S4;
S3、根据步骤S2中训练后的对抗网络鉴别器的参数,利用梯度下降方法对步骤S1中训练后的对抗网络生成器进行优化,并基于优化后的对抗网络生成器转到步骤S1再次执行;
S4、将需要进行隐私保护的视频输入训练好的对抗网络生成器,得到视频对抗样本;
所述步骤S2的具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409156.5A CN112818407B (zh) | 2021-04-16 | 2021-04-16 | 一种基于生成对抗网络的视频隐私保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409156.5A CN112818407B (zh) | 2021-04-16 | 2021-04-16 | 一种基于生成对抗网络的视频隐私保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818407A CN112818407A (zh) | 2021-05-18 |
CN112818407B true CN112818407B (zh) | 2021-06-22 |
Family
ID=75862487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409156.5A Active CN112818407B (zh) | 2021-04-16 | 2021-04-16 | 一种基于生成对抗网络的视频隐私保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818407B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033747B (zh) * | 2021-05-26 | 2021-07-27 | 中国工程物理研究院计算机应用研究所 | 一种用于人机识别的图形识别码生成方法 |
CN117291252B (zh) * | 2023-11-27 | 2024-02-20 | 浙江华创视讯科技有限公司 | 稳定视频生成模型训练方法、生成方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108769993A (zh) * | 2018-05-15 | 2018-11-06 | 南京邮电大学 | 基于生成对抗网络的通信网络异常用户检测方法 |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
US20200320341A1 (en) * | 2019-04-08 | 2020-10-08 | Shutterstock, Inc. | Generating synthetic photo-realistic images |
CN112084962A (zh) * | 2020-09-11 | 2020-12-15 | 贵州大学 | 基于生成式对抗网络脸部隐私保护方法 |
-
2021
- 2021-04-16 CN CN202110409156.5A patent/CN112818407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108769993A (zh) * | 2018-05-15 | 2018-11-06 | 南京邮电大学 | 基于生成对抗网络的通信网络异常用户检测方法 |
US20200320341A1 (en) * | 2019-04-08 | 2020-10-08 | Shutterstock, Inc. | Generating synthetic photo-realistic images |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
CN112084962A (zh) * | 2020-09-11 | 2020-12-15 | 贵州大学 | 基于生成式对抗网络脸部隐私保护方法 |
Non-Patent Citations (6)
Title |
---|
"Privacy-Preserving Auto-Driving: A GAN-Based Approach to Protect Vehicular Camera Data";Zuobin Xiong等;《2019 IEEE International Conference on Data Mining (ICDM)》;20191111;第668-677页,正文第1-5节 * |
"基于GAN的对抗样本生成研究";孙曦音等;《计算机应用与软件》;20190712;第36卷(第7期);第202-297页,正文第1-3节、图1-3 * |
"基于深度学习的人体行为识别方法综述";蔡强等;《计算机科学》;20200415;第47卷(第4期);第202-297页,正文第1-4节 * |
"基于生成对抗网络的图片隐私保护算法研究与实现";何昱雯;《中国优秀博士学位论文全文数据库 信息科技辑》;20190915(第2019-09期);第I138-123页,正文第2-3章 * |
"基于群体智能进化算法的对抗样本生成研究";刘小垒;《中国优秀博士学位论文全文数据库 信息科技辑》;20200415(第2020-04期);第I138-25页,正文第2,4章 * |
"生成式对抗网络GAN的研究进展与展望";王坤峰等;《自动化学报》;20170331;第43卷(第3期);第321-329页,正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818407A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Discriminative elastic-net regularized linear regression | |
Zhang et al. | LRR for subspace segmentation via tractable schatten-$ p $ norm minimization and factorization | |
Meng et al. | Sample fusion network: An end-to-end data augmentation network for skeleton-based human action recognition | |
Sadeghi et al. | Learning overcomplete dictionaries based on atom-by-atom updating | |
Tu et al. | Spatial-temporal data augmentation based on LSTM autoencoder network for skeleton-based human action recognition | |
CN112818407B (zh) | 一种基于生成对抗网络的视频隐私保护方法 | |
Lui | A least squares regression framework on manifolds and its application to gesture recognition | |
Siudzińska et al. | Memory kernel approach to generalized Pauli channels: Markovian, semi-Markov, and beyond | |
US20110182497A1 (en) | Cascade structure for classifying objects in an image | |
Zhang et al. | Collaborative support vector machine for malware detection | |
Zang et al. | Cross domain mean approximation for unsupervised domain adaptation | |
Wang et al. | U-SPDNet: An SPD manifold learning-based neural network for visual classification | |
Lu et al. | Robust and efficient face recognition via low-rank supported extreme learning machine | |
Ma et al. | Cascade transformer decoder based occluded pedestrian detection with dynamic deformable convolution and Gaussian projection channel attention mechanism | |
Luo et al. | Low-rank tensor function representation for multi-dimensional data recovery | |
Gong et al. | Variational selective autoencoder | |
CN114358177B (zh) | 一种基于多维度特征紧凑决策边界的未知网络流量分类方法及系统 | |
Qu et al. | A Fast Sparse NMF Optimization Algorithm for Hyperspectral Unmixing | |
Zhou et al. | Learning salient self-representation for image recognition via orthogonal transformation | |
Chen et al. | Robust feature extraction via ℓ∞-norm based nonnegative tucker decomposition | |
Wang et al. | Deep embedded clustering with asymmetric residual autoencoder | |
Li et al. | Learning with coefficient-based regularized regression on Markov resampling | |
CN117036862B (zh) | 基于高斯混合变分自编码器的图像生成方法 | |
Gao et al. | Utilizing relevant RGB-D data to help recognize RGB images in the target domain | |
Maroulas et al. | Bayesian topological learning for classifying the structure of biological networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |