要約
視覚的プライバシー情報漏洩は、行動認識などの動画理解応用が急速に拡大する中で、注目される重要な課題となっている。従来の行動認識におけるプライバシー漏洩の緩和手法は、動画データセットからの行動ラベルに加えて、プライバシーラベルの付与を必要としていた。しかし、動画データセットのフレームに対してプライバシーラベルを手動で付与することは現実的ではない。近年の自己教師学習（Self-Supervised Learning, SSL）の進展により、ラベルなしデータの潜在的な価値が解放されつつある。本研究では、プライバシーラベルを一切不要とする自己教師学習的なアプローチにより、入力動画からプライバシー情報を除去する新たな学習フレームワークを初めて提案する。本フレームワークは、3つの主要な構成要素からなる：匿名化関数、自己教師学習型プライバシー除去ブランチ、および行動認識ブランチ。我々は、対照的な自己教師学習損失を用いて、ミニマックス最適化戦略により、行動認識の損失関数を最小化し、同時にプライバシー損失関数を最大化するようにフレームワークを学習する。既存の行動およびプライバシー属性に関する既知の評価プロトコルを用いることで、本フレームワークは、従来の最先端の教師あり手法と比較して競争力のある行動-プライバシーのトレードオフを達成した。さらに、新たな評価プロトコルを導入し、学習された匿名化関数が未知の行動およびプライバシー属性への一般化性能を評価した結果、本自己教師学習フレームワークが既存の教師あり手法を上回ることを示した。コードは以下より公開：https://github.com/DAVEISHAN/SPAct