view in publisher's site

Graph-based neural networks for explainable image privacy inference

Highlights•We propose an improved dataset for research on image privacy•We build a knowledge graph that represents the relevance between the objects and image privacy•Based on the graph, we deal with the traditional image classification problem with the novel graph-based neural network•The introduction of the knowledge graph not only makes the model more explainable but also makes better use of the information of objects provided by the images.•Our method relies on the intrinsic relevance in the dataset rather than extra knowledge, thus is applicable for other tasks. We also propose several candidate ways for further promotionAbstractWith the development of social media and smartphones, people share their daily lives via a large number of images, but the convince also raises a problem of privacy leakage. Therefore, effective methods are needed to infer the privacy risk of images and identify images that may disclose privacy. Several works have tried to solve this problem with deep learning models. However, we know little about how the models infer the privacy label of an image, thus it is not easy to understand why the image may disclose privacy. Inspired by recent research on graph neural networks, we introduce prior knowledge to the deep models to make the inference more explainable. We propose the Graph-based neural networks for Image Privacy (GIP) to infer the privacy risk of images. The GIP mainly focuses on objects in an image, and the knowledge graph is extracted from the objects in the dataset without reliance on extra knowledge. Experimental results show that the GIP achieves higher performance compared with the object-based methods and comparable performance even compared with the multi-modal fusion method. The results show that the introduction of the knowledge graph not only makes the deep model more explainable but also makes better use of the information of objects provided by the images. Combing the knowledge graph with deep learning is a promising way to help protect image privacy that is worth exploring.

شبکه‌های عصبی مبتنی بر گراف برای استنباط قابل توضیح حریم خصوصی تصویر

نکات برجسته * ما یک مجموعه داده بهبود یافته را برای تحقیق در مورد حریم خصوصی تصویر پیشنهاد می‌کنیم * ما یک نمودار دانش می‌سازیم که ارتباط بین اشیا و حریم خصوصی تصویر را نشان می‌دهد * براساس گراف، ما با مساله طبقه‌بندی تصویر سنتی با شبکه عصبی مبتنی بر گراف جدید سروکار داریم * معرفی گراف دانش نه تنها مدل را قابل‌تبیین تر می‌کند بلکه استفاده بهتری از اطلاعات اشیا ارائه‌شده توسط تصاویر می‌کند. * روش ما متکی بر ارتباط درونی در مجموعه داده به جای دانش اضافی است، بنابراین برای کاره‌ای دیگر قابل‌اجرا است. ما همچنین روش‌های متعددی را برای ارتقا بیشتر انتزاع پیشنهاد می‌کنیم. با توسعه رسانه‌های اجتماعی و گوشی‌های هوشمند، مردم زندگی روزمره خود را از طریق تعداد زیادی از تصاویر به اشتراک می‌گذارند، اما در عین حال مشکل نشت حریم خصوصی را نیز به وجود می‌آورند. بنابراین، روش‌های موثری برای استنباط خطر حریم خصوصی تصاویر و شناسایی تصاویری که ممکن است حریم خصوصی را افشا کنند، مورد نیاز است. کاره‌ای متعددی تلاش کرده‌اند تا این مشکل را با مدل‌های یادگیری عمیق حل کنند. با این حال، ما در مورد این که چگونه مدل‌ها برچسب حریم خصوصی یک تصویر را استنباط می‌کنند، اطلاعات کمی داریم، بنابراین درک این که چرا تصویر ممکن است حریم خصوصی را فاش کند، آسان نیست. با الهام از تحقیقات اخیر در مورد شبکه‌های عصبی گراف، ما دانش قبلی را به مدل‌های عمیق معرفی می‌کنیم تا استنتاج را قابل‌تبیین کنیم. ما شبکه‌های عصبی مبتنی بر گراف را برای حریم خصوصی تصویر (GIP)برای استنباط خطر حریم خصوصی تصاویر پیشنهاد می‌کنیم. GIP عمدتا بر اشیا در یک تصویر تمرکز می‌کند و نمودار دانش از اشیا موجود در مجموعه داده بدون اتکا به دانش اضافی استخراج می‌شود. نتایج تجربی نشان می‌دهند که GIP در مقایسه با روش‌های مبتنی بر شی و عملکرد قابل‌مقایسه حتی در مقایسه با روش ترکیب چند وجهی به عملکرد بالاتری دست می‌یابد. نتایج نشان می‌دهد که معرفی نمودار دانش نه تنها مدل عمیق را قابل‌تبیین می‌کند بلکه استفاده بهتری از اطلاعات اشیا ارائه‌شده توسط تصاویر می‌کند. ترکیب نمودار دانش با یادگیری عمیق یک راه امیدوار کننده برای کمک به حفاظت از حریم خصوصی تصویر است که ارزش بررسی دارد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.