9、人脸图像隐私保护：从实验到框架构建

人脸图像隐私保护：从实验到框架构建

实验部分

在人脸图像隐私保护的研究中，为了验证相关方法的有效性，进行了一系列实验。

数据集

使用大规模的CelebFaces Attributes（CelebA）数据集，该数据集包含202,599张对齐的面部图像和10,177个身份，每个图像有40个布尔值的属性标签。实验中使用了约一半的数据集，其中75,160张图像用于训练，26,216张图像用于测试。所有图像首先对齐到178×218，然后使用dlib包检测面部区域，将图像裁剪为128×128的大小。

实现细节

• 属性预测 ：使用Resnet - 50结构在CelebA数据集上训练面部属性分类网络。批量大小设置为128，基础学习率为4×10⁻⁴，采用多项式衰减，γ为0.1，权重衰减为5×10⁻⁴。
• 属性混淆 ：对给定图像进行去标识处理时，首先按γ比例对训练集进行下采样，得到随机子集Dγ，然后从面部属性分类网络的全连接层中提取深度特征。实验中考虑保护13个属性，如秃头、刘海、黑发、金发等。定义了两组冲突属性：G1 = {黑发，金发，棕发}和G2 = {胡子，无胡子}，其他属性定义为独立属性。
• 图像生成网络 ：在获得混淆属性后，利用面部属性编辑来生成去标识的图像。按照特定设置在CelebA数据集上进行训练，权衡参数λ1 = 1，λ2 = 10，λ3 = 100。

性能分析

通过对比不同k值下引入差分隐私前后的混淆程度，使用