一种基于生成对抗网络的视频隐私保护方法转让专利
申请号 : CN202110409156.5
文献号 : CN112818407B
文献日 : 2021-06-22
发明人 : 刘小垒 , 胥迤潇 , 邓虎 , 路海 , 殷明勇
申请人 : 中国工程物理研究院计算机应用研究所
摘要 :
权利要求 :
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:
S2.1、将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上训练得到三种不同架构的视频分类系统 作为对抗网络鉴别器 ;
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。
2.根据权利要求1所述的一种基于生成对抗网络的视频隐私保护方法,其特征在于,所述步骤S1的具体步骤如下:
S1.1、将点对点的图像生成系统作为对抗网络生成器,并从视频数据集Image‑net获取原始视频作为原始样本 , 表示第 个原始样本,表示原始样本 的第个像素点,其中, 表示第 个原始样本;
S1.2、将原始样本输入对抗网络生成器 ,得到输出 ,其中,为对抗网络生成器对每个像素点添加的扰动,即得到一系列的视频对抗样本 ,其中, 表示第 个原始样本 对应得到的视频对抗样本,表示对第 个像素点 添加的扰动。
3.根据权利要求2所述的一种基于生成对抗网络的视频隐私保护方法,其特征在于,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。
说明书 :
一种基于生成对抗网络的视频隐私保护方法
技术领域
背景技术
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
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;
行;
始样本 的第个像素点,其中, 表示第 个原始样本;
,其中, 表示第 个原始样本 对应得到的视频对抗样本,表示对第 个像素
点 添加的扰动。
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。
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。
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;
大两者的差距越大。
附图说明
具体实施方式
始样本 的第个像素点,其中, 表示第 个原始样本;
,其中, 表示第 个原始样本 对应得到的视频对抗样本,表示对第 个像素
点 添加的扰动。
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;
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。
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。
行;
LSTM在视频数据集Image‑Net上训练得到视频分类系统 组合构成。
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。
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。
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。
内。