Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Suivre les indices : expériences sur la réidentification des personnes à l'aide de l'intelligence intermodale
Created by
Haebom
Auteur
Robert Aufschläger, Youssef Shoeb, Azarm Nowzad, Michael Heigl, Fabian Bally, Martin Schramm
Contour
Cet article aborde le problème suivant : les données d’images de rue publiées en open data jouent un rôle crucial dans l’avancement des systèmes de conduite autonome et de la recherche en IA, mais présentent des risques importants pour la vie privée en raison des informations personnelles identifiables (IPI). En particulier, l’existence d’IPI au-delà des informations biométriques telles que les visages est préoccupante. Dans cet article, nous présentons cRID, un nouveau cadre intermodal combinant des modèles vision-langage à grande échelle, des réseaux d’attention graphique et l’apprentissage de représentation. cRID se concentre sur l’identification et l’exploitation de caractéristiques interprétables pour détecter des III sémantiquement significatives au-delà des indices d’apparence de bas niveau. Les résultats expérimentaux démontrent une amélioration des performances, notamment sur un scénario pratique de réidentification croisée de jeux de données allant de Market-1501 à CUHK03-np (Detected), soulignant l’utilité du cadre. Le code est disponible à l’ adresse https://github.com/RAufschlaeger/cRID .
Nous présentons une nouvelle méthode pour améliorer les performances de détection des PII en combinant des modèles de langage de vision à grande échelle et des réseaux d'attention graphique.
◦
Capacité à détecter des informations personnelles identifiables (PII) sémantiquement significatives au-delà des indices d'apparence de bas niveau.
◦
Nous démontrons des améliorations de performances dans un scénario pratique de réidentification de personnes inter-ensembles de données.
◦
Atteindre la transparence dans la détection des PII en exploitant des fonctionnalités interprétables.
•
Limitations:
◦
Limitée à l’évaluation des performances sur des ensembles de données spécifiques, des recherches supplémentaires sont nécessaires sur la généralisabilité.
◦
Manque d’analyse comparative des performances de détection pour différents types de PII.
◦
Manque d’applicabilité et d’évaluation des performances dans des environnements de conduite autonome réels.
