基于生成对抗网络的图片隐私保护算法研究与实现

发布时间：2024-04-22 19:09

　　随着互联网的飞速发展,信息社会的人们对网络的依赖性逐渐增强。不加处理的隐私信息直接被上传到网络上,并被企业或个人非法收集并使用,从而造成了互联网用户的隐私被泄漏和侵犯。而且数据挖掘和机器学习算法的广泛应用,也带来了对于隐私泄露的担忧。例如,人脸识别技术在手机上的应用可能导致个人的身份位置等隐私信息被暴露。面对频发的隐私泄漏事件,个人需要有效的手段来保护隐私。基于以上问题,本课题首先提出了基于对抗生成网络的图片隐私保护算法,结合对抗样本算法,实现对个人隐私图片进行保护,使保护后的图片能上传到社交网络,在不破坏其实用性的同时,保护照片中的隐私信息。现有的隐私保护手段多更改图片中的敏感区域,如面部、文字等部分来保护隐私,或者将涉及隐私的对象从图片或视频中移除。但是这些办法的明显缺陷是破坏了照片的实用性,当移除照片中的隐私信息时,照片包含的重要信息也被移除。本算法拟在保证照片实用性的同时保护照片中的隐私信息,达到隐私保护性和实用性之间的平衡,使得照片在上传到网络依旧能被好友识别,进行正常的社交活动。近期研究表示,对抗样本对于神经网络有一定攻击性,微小的干扰可以让识别网络无法作出正确的推断,但是...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图１－１通过处理隐私区域来保护隐私的示例??上的法多直图的隐私区域，但同时缺点非常明显，当一张照片??

第一章绪论隐藏。而本课题提出的隐私保护手段属于第四类，对图片进行编辑，敏感或者隐私区域来隐藏隐私信息，这样隐私就不会泄漏。??对图片的编辑方式不同，该类方法可以简单划分几个类别。首先是ａｄ／ｓｕｐｐｒｅｓｓｉｏｎ的方法，该类方法直接移除图片中的隐私信息或者对这行修改，比如使用常见....

图２－１生成对抗网络框架示例图??

从而能误导判别模型做出错误的判断，将生成模型生成的样本分类成真实标签。??而判别模型的目标同生成模型的相反，需要正确判断出输入是否是来源于真实数??据，两个模型形成了一种对抗关系，如图２－１所示。在训练过程中，两个模型的??性能在对抗中提升，直到达到一个动态的平衡（纳什均衡），此....

图２－２?ＤＣＧＡＮ的生成网络结构示意图［２２］??

?Ｒｅａｌ?ｉｍａｇｅ??图２－１生成对抗网络框架示例图??生成对抗网络在训练过程中，一般固定其中一个模型的参数，用梯度下降法??去更新另一个模型的网络参数。生成模型的目标是生成逼近于真实数据的样本，??从而能误导判别模型做出错误的判断，将生成模型生成的样本分类成真实标签。??而....

图２－３对抗样本示例［２５］??目前，由于对抗样本对深度学习在实际中的应用造成了很大的威胁［２６］，针对??

??上图２－１为ＤＣＧＡＮ［２２］的生成模型的结构示意图，与原始ＧＡＮ不同的是，??ＤＣＧＡＮ在网络结构上有了改进，使用了卷积层代替了全连接层，并使用了批标??准化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，?ＢＮ）等技术，为ＧＡＮ的训练提供了一个更好的网络结??构。除此之外，ＤＣＧ....

本文编号：3962140