【技术实现步骤摘要】
本专利技术属于边缘计算领域，涉及一种人脸隐私保护，具体涉及一种人脸边缘智能应用整体微调隐私保护模型与方法。
技术介绍
1、边缘计算作为现在很常见的计算模式，它为多方面智能应用程序所产生的计算任务卸载到临近的边缘服务器中，提供了很多好处，不仅可以降低本地资源的开销，提高任务计算效率，并且还能够满足用户对多方面应用服务体验质量需求，由此边缘计算得到了越来越多的重视。
2、但是现有的隐私方法都不是针对于边缘计算场景提出的，更多都是考虑一次性的变换、加扰、加密，然后在云端服务器进行解变换、解扰、解密等，这会引入大量计算量。所以就现有的边缘计算来说，所提供的隐私属性保护并不完善，并不能保证上传到边缘上的数据安全性不被侵犯。
3、边缘计算场景下，在不增加额外计算量的情况下，将任务分散在各个节点上，对用户隐私保护具有很大的挑战性。因此，边缘计算卸载过程中端-边分布式计算被作为重点研究，并由此展开找寻解决隐私泄露问题的方法。在面向边缘计算的任务卸载中，为了保护用户在任务卸载过程中的隐私，提出一种基于端-边分布式计算，并在设备端进行隐私消隐的特征分析的隐私保护策略；研究端-边分层分级隐私消隐的模型训练和执行方法在近设备端进行消隐，切实将隐私信息尽量保留在靠近设备端，保证边缘计算场景下隐私保护的有效性，不增加计算量，降低传输数据量。采用支结构的多属性任务的神经网络方法对网络的整体模型与网络流程进行详细解释。最后在lfw数据集上进行训练，并将预测的实验结果进行比较，验证本研究方法的有效性。
4、通过研究人脸边缘智能
5、如此改进的优点在于，网络可以进行整体迁移。这是与局部微调最大不同之处，局部微调的隐私特征消隐网络模块参数是对上一次对抗训练结果参数进行冻结，训练剩下一部分网络。整体微调进行属性对抗训练时，隐私特征消隐网络模块参数都保留上一次对抗训练结果的参数值，此方式不仅能节省计算资源，减少迭代次数，而且能降低网络训练流程的复杂度。
6、本专利技术由于不需要冻结操作，隐私特征提取网络模块进行特征迁移后可对某一属性训练直接进行进一步的训练，调整其余两个特征推理网络模块进行关于主要任务或隐私任务的训练，若任意一个任务没达到要求，都需要针对属性任务识别目标不断对特征隐私消隐模块网络进行训练，这大大减少微调的复杂度。
技术实现思路
1、本专利技术的目的是，通过研究人脸边缘智能应用整体微调隐私保护的方法来实现人脸识别智能隐私保护。由于不需要冻结操作，隐私特征提取网络模块进行特征迁移后可对某一属性训练直接进行进一步的训练，调整其余两个特征推理网络模块进行关于主要任务或隐私任务的训练，若任意一个任务没达到要求，都需要针对属性任务识别目标不断对特征隐私消隐模块网络进行训练，这大大减少微调的复杂度。
2、所研究的目的是保证主要任务性别的分类，另一个是保证人脸身份隐私特征不被提取，对于网络的划分，也是可以将整体划分为3个模块，隐私消隐特征提取模块、属性特征分析推理模块和属性分类模块，不同模块在不同的实体上运行，隐私消隐特征提取模块放在距离用户比较近的用户终端和距离用户比较近的边缘服务器上进行处理，以保证输出的特征在传输到远程边缘服务器的时候没有隐私特征。属性特征分析推理模块和属性分类模块放在远于用户的设备端，以保证在远端服务器的时候不存在隐私特征，在可以识别性别的同时，识别不出身份。隐私消隐特征提取模块，准备网络训练特征提取工作，此模块对属性特征分析推理模块特征分析有至关重要的作用。属性特征分析推理模块中性别识别网络模块和身份识别网络模块是两个分支，与隐私消隐特征提取模块进行属性的整体训练，实现本分支所要实现的目的。属性分类模块就是进行最终的分类工作，有如下两个目标：对性别进行准确分类，对身份进行身份混淆。
3、第一个是实现性别准确分类，对于性别损失ls＝ls(gs(gf(x；θf)；θs)，ys)，希
4、整体微调网络模型的设计方法与局部微调方式不同，对于隐私特征消隐模块和特征推理模块，没有固定，而是将性别或者是身份的整体进行统一调整。训练目的要做到性别识别训练的结果精确度高，损失值降低至稳定的某一个值，与此同时，保证身份识别精确度最终低于10％，达到身份隐私保护。如果没有达到某个目的，则需针对身份隐藏或性别识别的相关模块进行对抗性整体微调，并迭代更新网络参数。
5、a隐私消隐特征提取模块，当进行性别识别时，a模块没有运用梯度翻转层(gradient reversal layer，grl)，当进行身份隐私特征消隐时，a模块需要加入grl。b是性别属性的特征推理模块，c是身份属性的特征推理模块。
6、一种基于人脸边缘智能应用整体微调方法来实现人脸识别智能隐私保护模型，包括如下模块：隐私消隐特征提取模块，属性特征分析推理模块，属性分类模块三个模块；
7、其中隐私消隐特征提取模块用于提取属性的底层特征，并尽量消除隐私敏感信息；隐私消隐特征提取模块的输出将被分成两部分，分别进入属性特征分析推理模块的两个分支，并经由属性分类模块判断；属性特征分析推理模块被分为性别识别模块和身份识别模块两个分支：性别推断模块需准确提取出性别信息，身份推断模块用于推断出身份信息；为达到保护隐私的目的，需不断对隐私消隐特征提取模块进行微调；属性分类模块有两个任务：一是尽可能减少性别分类损失，另一个则是最小化身份分类损失并隐藏身份信息；
8、一种基于人脸边缘智能应用整体微调隐私保护部分微调模型，整体微调网络模型的设计方法与局部微调方式不同，对于隐私特征消隐模块和特征推理模块，没有固定，而是将性别或者是身份的整体进行统一调整；训练目的要做到性别识别训练的结果精确度高，损失值降低至稳定的某一个值，与此同时，保证身份识别精确度最终低于预置阈值，达到身份隐私保护；如果没有达到某个目的，则需针对身份隐藏或性别识别的相关模块进行对抗性整体微调，并迭代更新网络参数；
9、一种基于人脸边缘智能应用整体微调隐私保护部分微调方法，根据训练目标，设计损失函数，训练模型，有如下两个目标：
10、第一个是实现性别准确分类，对于性别损失ls＝ls(gs(gf(x；θf)；θs)，ys)，希望其越小越好，实现图像分类误差的最小化，其中gf(x；θf)表示图像输入x在预处理之后形成的正方形人脸图片，经过权值参数为θf的隐私消隐特征提取模块后完成初步的特征提取过程，形成一个d维的特征向量，其中gf(·)是隐私消隐特征提取模块的计算函数；gs(x；θs)表示性别特征在经过隐私消隐特征提取模块后输入到性别特征分析推理模块中的特征推理计算函数，其中θs表示在性别特征分析推理模块中对性别特征分析的权值参数，为实际输出的性别分类标签的预测向量，ys为实际性别的分类标签，表示对于性别分类采用的是交叉熵损失函数，上标s表示进行身份分类本文档来自技高网...
【技术保护点】
1.所述一种基于人脸边缘智能应用整体微调方法来实现人脸识别智能隐私保护模型，其特征在于，包括如下模块：隐私消隐特征提取模块，属性特征分析推理模块，属性分类模块三个模块；不同模块在不同的实体上运行；隐私消隐特征提取模块放在用户端上进行处理，以保证输出的特征在传输到远程边缘服务器的时候没有隐私特征；属性特征分析推理模块和属性分类模块放在远于用户的服务器端，以保证在远端服务器的时候不存在隐私特征，在可以识别性别的同时，识别不出身份；
2.所述一种基于人脸边缘智能应用整体微调隐私保护部分微调模型，其特征在于，整体微调网络模型的设计方法与局部微调方式不同，对于隐私特征消隐模块和特征推理模块，没有固定，而是将性别或者是身份的整体进行统一调整；训练目的要做到性别识别训练的结果精确度高，损失值降低至稳定的某一个值，与此同时，保证身份识别精确度最终低于预置阈值，达到身份隐私保护；如果没有达到某个目的，则需针对身份隐藏或性别识别的相关模块进行对抗性整体微调，并迭代更新网络参数。
3.所述一种基于人脸边缘智能应用整体微调隐私保护部分微调方法，其特征在于，根据训练目标，设计损失函
4.所述一种基于人脸边缘智能应用整体微调隐私保护部分微调方法，其特征在于，训练过程包括如下步骤：
...【技术特征摘要】
1.所述一种基于人脸边缘智能应用整体微调方法来实现人脸识别智能隐私保护模型，其特征在于，包括如下模块：隐私消隐特征提取模块，属性特征分析推理模块，属性分类模块三个模块；不同模块在不同的实体上运行；隐私消隐特征提取模块放在用户端上进行处理，以保证输出的特征在传输到远程边缘服务器的时候没有隐私特征；属性特征分析推理模块和属性分类模块放在远于用户的服务器端，以保证在远端服务器的时候不存在隐私特征，在可以识别性别的同时，识别不出身份；
2.所述一种基于人脸边缘智能应用整体微调隐私保护部分微调模型，其特征在于，整体微调网络模型的设计方法与局部微调方式不同，对于...
【专利技术属性】
技术研发人员：姚彦鑫，赵生弟，周子璎，陈晓彤，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。