Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Siguiendo las pistas: experimentos de reidentificación de personas mediante inteligencia intermodal
Created by
Haebom
Autor
Robert Aufschläger, Youssef Shoeb, Azarm Nowzad, Michael Heigl, Fabian Bally, Martin Schramm
Describir
Este documento aborda el problema de que los datos de imágenes a nivel de calle publicados como datos abiertos desempeñan un papel crucial en el avance de los sistemas de conducción autónoma y la investigación de IA, pero plantean riesgos significativos para la privacidad debido a la información de identificación personal (PII). En particular, la existencia de PII más allá de la información biométrica, como las caras, es una preocupación. En este documento, presentamos cRID, un novedoso marco intermodal que combina modelos de lenguaje de visión a gran escala, redes de atención gráfica y aprendizaje de representación. cRID se centra en identificar y aprovechar las características interpretables para detectar PII semánticamente significativa más allá de las señales de apariencia de bajo nivel. Los resultados experimentales demuestran un rendimiento mejorado, especialmente en un escenario práctico de Re-ID de conjunto de datos cruzados de Market-1501 a CUHK03-np (Detectado), lo que destaca la practicidad del marco. El código está disponible en https://github.com/RAufschlaeger/cRID .
Presentamos un nuevo método para mejorar el rendimiento de detección de PII combinando modelos de visión-lenguaje a gran escala y redes de atención gráfica.
◦
Capacidad de detectar información de identificación personal (PII) semánticamente significativa más allá de señales de apariencia de bajo nivel.
◦
Demostramos mejoras de rendimiento en un escenario práctico de reidentificación de personas entre conjuntos de datos.
◦
Lograr transparencia en la detección de PII aprovechando funciones interpretables.
•
Limitations:
◦
Limitado a la evaluación del desempeño en conjuntos de datos específicos, se necesita más investigación sobre la generalización.
◦
Falta de análisis comparativo del rendimiento de detección para diferentes tipos de PII.
◦
Falta de aplicabilidad y evaluación del rendimiento en entornos reales de conducción autónoma.
