揭示性能差距：人类匿名化及其对视频异常检测影响的比较研究-计算机科学-计算机视觉-视频异常检测-隐私保护.pdfVIP

揭示性能差距：人类匿名化及其对视频异常检测影响

的比较研究

SaraAbdulazizandEgorBondarev

EindhovenUniversityofTechnology,5612APEindhoven,TheNetherlands

{s.e.a.m.abdulaziz,e.bondarev}@tue.nl

摘要深度学习的进步提高了监控视频中的异常检测能力，但因收集敏感

本的人类数据而引发了紧迫的隐私问题。本文全面分析了在四种人类匿名技

术下（包括模糊处理、遮盖、加密和替身替换）应用于UCF-Crime数据

译集[1]的异常检测性能。我们评估了四个异常检测方法MGFN[2]，UR-

中DMU[3]，BN-WVAD[4]和PEL4VAD[5]在匿名处理后的UCF-Crime

上的表现，以揭示每种方法对不同混淆技术的响应。实验结果显示，在匿

1

v名数据下异常检测仍然可行，并且依赖于算法设计和学习策略。例如，在

3某些匿名模式下，如加密和遮盖，一些模型无意中比原始数据获得了更高

8

0的AUC性能，这是由于它们的算法组件对该噪声模式的强大反应性所致。

4这些结果突显了算法对匿名化处理的具体敏感性和强调在保护隐私与保持

1.检测效用之间的权衡。此外，我们比较了传统的匿名技术与新兴的隐私设

7计解决方案，强调了一个经常被忽视的权衡——即强大的隐私保护和实用

0

5性灵活性之间的平衡。通过全面的实验和分析，本研究提供了一个引人注

2目的基准，并为在人类隐私与异常检测需求之间取得平衡提供了见解。

:

v

i

xKeywords:视频异常检测·隐私保护·隐私保护·人类隐私·匿名

r化·数据集·UCF-Crime.

a

1介绍

隐私保护的计算机视觉已成为一个活跃的研究领域，随着GDPR和AI

Act等近期法规的出台，在监控系统中对隐私的关注日益增加。各种匿名化技

术已被开发出来，以减轻这些隐私风险，同时保留感知任务的实用性[6–10]。

传统的匿名化技术，如模糊处理、像素化、加密、遮罩和替换成虚拟形象[11]，

提供了基本级别的隐私保护，但通常会降低实用任务的性能。更先进的技

术，如内置设计隐私解决方案[6,7,12]，近年来越来越受到关注，因为它们

承诺在最小影响实用性的情况下提供更强的隐私保护。

2S.AbdulazizandE.Bondarev

虽然隐私设计解决方案在复杂的视觉任务中展示了成功，如人类行为分

析[6,12]和异常检测[7]，但它们仍然受到许多限制。最值得注意的是，这些

解决方案导致场景质量严重下降，这阻碍了视觉监控，而视觉监控是现实世

界监视应用的关键组成部分。此外，这些解决方案通常对通用图像处理算法

缺乏灵活性，限制了其在狭窄范围内的适用性。尽管隐私设计解决方案有所

进展，但在这些解决方案与传统匿名化技术之间仍然缺乏系统性的比较，特

别是在复杂的视