⏶3
自我隐私：你的第一视角相机暴露了你什么？
发表
由 
William Li 提交
William Li 提交作者: Yijiang Li, Genpei Zhang, Jiacheng Cheng, Yi Li, Xiaojun Shan, Dashan Gao, Jiancheng Lyu, Yuan Li, Ning Bi, Nuno Vasconcelos
摘要
尽管可穿戴摄像头的迅速普及引发了对以自我为中心视频隐私的重大担忧，但先前的工作大多忽视了对摄像头佩戴者构成的独特隐私威胁。本文探讨了核心问题：从摄像头佩戴者的第一人称视角视频中可以推断出多少隐私信息？我们引入了EgoPrivacy，这是第一个用于全面评估以自我为中心视觉中隐私风险的大规模基准。EgoPrivacy涵盖了三种类型的隐私（人口统计学、个人和情境），定义了七个任务，旨在恢复从细粒度（例如，佩戴者身份）到粗粒度（例如，年龄组）的私人信息。为了进一步强调以自我为中心视觉固有的隐私威胁，我们提出了“检索增强攻击”，这是一种新颖的攻击策略，它利用从外部以他人为中心视频池中进行的自我到他人检索，以提高人口统计学隐私攻击的有效性。我们对所有威胁模型下可能进行的各种攻击进行了广泛比较，结果表明佩戴者的私人信息极易泄露。例如，我们的研究结果表明，基础模型即使在零样本设置下，也能通过以70-80%的准确率恢复身份、场景、性别和种族等属性，有效损害佩戴者的隐私。我们的代码和数据可在<a href="https://github.com/williamium3000/ego-privacy">https://github.com/williamium3000/ego-privacy</a>获取。
尽管可穿戴摄像头的迅速普及引发了对第一视角视频隐私的重大担忧，但此前的研究在很大程度上忽视了对摄像头佩戴者构成的独特隐私威胁。这项工作探讨的核心问题是：从摄像头佩戴者的第一人称视角视频中可以推断出多少隐私信息？我们引入了 EgoPrivacy，这是第一个用于全面评估第一视角视觉中隐私风险的大规模基准。EgoPrivacy 涵盖三种隐私类型（人口统计学、个人和情境），定义了七项任务，旨在恢复从细粒度（例如，佩戴者身份）到粗粒度（例如，年龄组）的私人信息。为了进一步强调第一视角视觉固有的隐私威胁，我们提出了“检索增强攻击”，这是一种新颖的攻击策略，它利用从外部第三方视角视频池进行的自我到他者检索，以提高人口统计学隐私攻击的有效性。文中对所有威胁模型下可能发生的各种攻击进行了广泛比较，结果表明佩戴者的私人信息极易泄露。例如，我们的研究结果表明，基础模型即使在零样本设置下，也能通过以 70-80% 的准确率恢复身份、场景、性别和种族等属性，从而有效地损害佩戴者的隐私。