隨著互聯網的飛速發(fā)展,信息社會的人們對網絡的依賴性逐漸增強。不加處理的隱私信息直接被上傳到網絡上,并被企業(yè)或個人非法收集并使用,從而造成了互聯網用戶的隱私被泄漏和侵犯。而且數據挖掘和機器學習算法的廣泛應用,也帶來了對于隱私泄露的擔憂。例如,人臉識別技術在手機上的應用可能導致個人的身份位置等隱私信息被暴露。面對頻發(fā)的隱私泄漏事件,個人需要有效的手段來保護隱私。基于以上問題,本課題首先提出了基于對抗生成網絡的圖片隱私保護算法,結合對抗樣本算法,實現對個人隱私圖片進行保護,使保護后的圖片能上傳到社交網絡,在不破壞其實用性的同時,保護照片中的隱私信息�，F有的隱私保護手段多更改圖片中的敏感區(qū)域,如面部、文字等部分來保護隱私,或者將涉及隱私的對象從圖片或視頻中移除。但是這些辦法的明顯缺陷是破壞了照片的實用性,當移除照片中的隱私信息時,照片包含的重要信息也被移除。本算法擬在保證照片實用性的同時保護照片中的隱私信息,達到隱私保護性和實用性之間的平衡,使得照片在上傳到網絡依舊能被好友識別,進行正常的社交活動。近期研究表示,對抗樣本對于神經網絡有一定攻擊性,微小的干擾可以讓識別網絡無法作出正確的推斷,但是...

【文章頁數】：66 頁

【學位級別】：碩士

【部分圖文】：

圖１－１通過處理隱私區(qū)域來保護隱私的示例??上的法多直圖的隱私區(qū)域，但同時缺點非常明顯，當一張照片??

第一章緒論隱藏。而本課題提出的隱私保護手段屬于第四類，對圖片進行編輯，敏感或者隱私區(qū)域來隱藏隱私信息，這樣隱私就不會泄漏。??對圖片的編輯方式不同，該類方法可以簡單劃分幾個類別。首先是ａｄ／ｓｕｐｐｒｅｓｓｉｏｎ的方法，該類方法直接移除圖片中的隱私信息或者對這行修改，比如使用常見....

圖２－１生成對抗網絡框架示例圖??

從而能誤導判別模型做出錯誤的判斷，將生成模型生成的樣本分類成真實標簽。??而判別模型的目標同生成模型的相反，需要正確判斷出輸入是否是來源于真實數??據，兩個模型形成了一種對抗關系，如圖２－１所示。在訓練過程中，兩個模型的??性能在對抗中提升，直到達到一個動態(tài)的平衡（納什均衡），此....

圖２－２?ＤＣＧＡＮ的生成網絡結構示意圖［２２］??

?Ｒｅａｌ?ｉｍａｇｅ??圖２－１生成對抗網絡框架示例圖??生成對抗網絡在訓練過程中，一般固定其中一個模型的參數，用梯度下降法??去更新另一個模型的網絡參數。生成模型的目標是生成逼近于真實數據的樣本，??從而能誤導判別模型做出錯誤的判斷，將生成模型生成的樣本分類成真實標簽。??而....

圖２－３對抗樣本示例［２５］??目前，由于對抗樣本對深度學習在實際中的應用造成了很大的威脅［２６］，針對??

??上圖２－１為ＤＣＧＡＮ［２２］的生成模型的結構示意圖，與原始ＧＡＮ不同的是，??ＤＣＧＡＮ在網絡結構上有了改進，使用了卷積層代替了全連接層，并使用了批標??準化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，?ＢＮ）等技術，為ＧＡＮ的訓練提供了一個更好的網絡結??構。除此之外，ＤＣＧ....

本文編號：3962140