论文标题：A Study of Face Obfuscation in ImageNet 论文链接：https://arxiv.org/abs/2103.06191 代码链接：https://github.com/princetonvisualai/imagenet-face-obfuscation 作者单位：普林斯顿大学(邓嘉团队) & 斯坦福大学(李飞飞) 本项目对ImageNet中的人脸进行准确标注，可用于隐私保护相关研究。并开展了第一个研究隐私感知的人脸模糊对大规模视觉识别影响的工作！数据集和代码于4小时前开源！

Image obfuscation（模糊，马赛克等）被广泛用于隐私保护。但是，计算机视觉研究通常会假定访问原始的原始图像而忽略了隐私。在本文中，我们探讨了ImageNet挑战中的Image obfuscation（图像模糊）。 ImageNet挑战中的大多数类别都不是people类别。但是，图像中仍有许多偶然的人，他们的隐私受到关注。我们首先在数据集中注释人脸。然后，我们研究人脸模糊（一种典型的混淆技术）如何影响分类准确性。我们对人脸模糊图像上的各种深度神经网络进行基准测试，并观察到对不同类别的不同影响。尽管如此，总体准确性仅略有下降（≤0.68％），表明我们可以训练对隐私敏感的视觉分类器，而对准确性的影响最小。此外，我们尝试将迁移学习应用于4个下游任务：物体识别，场景识别，人脸属性分类和目标检测。结果表明，在人脸模糊图像上学习的特征具有同等的可迁移性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除