Anonymization for Skeleton Action Recognition

Abstract

골격 기반의 행동 인식은 데이터의 가볍고 콤팩트한 특성으로 인해 연구자와 실무자들의 주목을 받고 있다. 골격 기반의 동작 인식은 RGB 영상 기반의 동작 인식에 비해 경쟁력있는 인식 성능을 보이며 피사체의 개인정보를 보호할 수 있는 안전한 방법으로 여겨진다. 그러나, 골격 추정 알고리즘과 모션 및 깊이 센서의 개선으로 인해 세밀한 모션 특징이 데이터 세트에 더 많이 보존되어 잠재적인 개인 정보 유출을 유발하게 되었다. 우리는 우선 스켈레톤 데이터 세트에서 잠재적인 개인 정보 유출 위험을 조사하기 위해 민감한 개인 정보를 분류해내는 분류기를 학습한다. 실험에 따르면 모델은 88%의 정확도로 성별을 예측하고, 82%의 정확도로 사람을 재식별 할 수 있었다. 우리는 이러한 잠재적인 개인정보 유출을 방지하기 위해 두 종류의 익명화 알고리즘을 제안한다. 실험 결과, 익명화된 데이터 세트는 개인정보 유출 위험이 줄어들며, 행동 인식 성능이 크게 저하되지 않음을 확인할 수 있었다.

The skeleton-based action recognition attracts practitioners and researchers due to the lightweight, compact nature of datasets. Compared with RGB-video-based action recognition, skeleton-based action recognition is considered a safer way to protect the privacy of subjects while having competitive recognition performance. However, due to the improvements of skeleton estimation algorithms as well as motion- and depth-sensors, more details of motion characteristics can be preserved in the skeleton dataset, leading to a potential privacy leakage from the dataset. To investigate the potential privacy leakage from the skeleton datasets, we first train privacy classifiers for skeleton data. Experiments show our models can predict gender with 88% accuracy and re-identify a person with 82% accuracy. We propose two variants of anonymization algorithms to protect the potential privacy leakage from the skeleton dataset. Experimental results show that the anonymized dataset can reduce the risk of privacy leakage while having marginal effects on the action recognition performance.