💻 computer science

From Pixels to Privacy: Temporally Consistent Video Anonymization via Token Pruning for Privacy Preserving Action Recognition

تقترح هذه الورقة إطار عمل جديد لتعمية الفيديو زمانياً ومكانياً قائماً على الانتباه، يستخدم رموز تصنيف مزدوجة في محولات الرؤية (Vision Transformers) لتقليم الأجزاء الأنبوبية (tubelets) الحساسة للخصوصية بشكل انتقائي مع الحفاظ على فائدة التعرف على الأفعال.

المؤلفون الأصليون: Nazia Aslam, Abhisek Ray, Joakim Bruslund Haurum, Lukas Esterle, Kamal Nasrollahi

نُشر 2026-03-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nazia Aslam, Abhisek Ray, Joakim Bruslund Haurum, Lukas Esterle, Kamal Nasrollahi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك كاميرا مراقبة تسجل أشخاصًا في حديقة عامة مزدحمة. تريد استخدام لقطات الفيديو هذه لتعليم الكمبيوتر كيفية التعرف على الأفعال (مثل "شخص ما يركض" أو "شخص ما يلعب كرة القدم") حتى يمكنه المساعدة في إدارة حركة المرور أو تحليل الرياضة.

ومع ذلك، هناك مشكلة كبيرة: إذا قمت بتغذية الفيديو الخام للكمبيوتر فحسب، فإنه سيتعلم أيضًا من هم هؤلاء الأشخاص. قد يتعرف على وجوههم، أو لون بشرتهم، أو جنسهم. وهذا كابوس يتعلق بالخصوصية؛ فإذا تسربت هذه البيانات، ستنكشف هويات الناس.

لفترة طويلة، كان الحل يشبه استخدام مقص لقص الفيديو: تغبيش الوجوه (Blurring) أو تجزئة الشاشة بالبكسلات (Pixelation). لكن هذا يشبه محاولة قراءة كتاب مع تغطية نصف كلماته بقلم تحديد أسود. أنت تفقد القصة (الفعل) مع الأسماء (الهوية) في آن واحد.

تقترح هذه الورقة البحثية نهجًا أكثر ذكاءً ودقة يسمى "من البكسلات إلى الخصوصية" (From Pixels to Privacy). وإليك كيف يعمل، مشروحًا ببساطة:

1. "الدماغ ذو الرأسين"

قام الباحثون ببناء دماغ اصطناعي خاص (يعتمد على تقنية تسمى Vision Transformer) ينظر إلى الفيديو ليس كتدفق مستمر، بل كمجموعة من الكتل ثلاثية الأبعاد الصغيرة تسمى "tubelets". فكر في هذه الـ "tubelets" كأنها مكعبات فيديو صغيرة متحركة (بضعة إطارات من بضعة بكسلات).

بدلاً من وجود دماغ واحد فقط، أعطوا هذا الذكاء الاصطناعي "مديرين" متخصصين (يُطلق عليهما CLS tokens) ينظران إلى نفس الفيديو ولكن بوظائف مختلفة تمامًا:

المدير (أ) (مدرب الأفعال): وظيفته الوحيدة هي معرفة ماذا يحدث. "هل هذا الشخص يركض؟ هل يرقص؟"
المدير (ب) (محقق الخصوصية): وظيفته الوحيدة هي معرفة من يفعل ذلك. "هل هذا رجل أم امرأة؟ ما هو لون بشرته؟ هل أعرف وجهه؟"

2. نظام "بطاقة التقييم"

هذه هي الخدعة السحرية. ينظر هذان المديران إلى كل مكعب فيديو صغير (tubelet) ويعطيانه درجة.

إذا أظهر المكعب وجه شخص ما، فإن محقق الخصوصية يعطيه درجة عالية (لأنه مهم جدًا لتحديد هوية الشخص).
إذا أظهر المكعب حركة أذرع شخص ما، فإن مدرب الأفعال يعطيه درجة عالية (لأنه ضروري لمعرفة أنه يركض).

يقوم الذكاء الاصطناعي بعد ذلك بحساب "درجة الخصوصية" لكل مكعب باستخدام معادلة بسيطة:

الدرجة = (مدى فائدة هذا الفعل للتعرف على الحركة) ناقص (مدى أهميته للخصوصية)

3. "التقليم الجراحي"

الآن، يعمل الذكاء الاصطناعي مثل البستاني الذي يقلم الشجيرات.

يحتفظ بالمكعبات ذات الدرجات الأعلى. وهي الأجزاء التي تخبرنا بماذا يحدث ولكنها لا تكشف عن من يقوم به (مثل حركة الأرجل، أو شكل الكرة).
يتخلص من (أو يضغط بشدة) المكعبات ذات الدرجات المنخفضة. وهي الأجزاء التي تكشف الهوية (مثل الوجه، أو ملمس البشرة) ولكنها لا تساعد كثيرًا في التعرف على الفعل.

4. "الحقيبة المتبقية" (لا ترمِ كل شيء!)

قد تعتقد أنه "إذا رميت الوجه، ألن يبدو الفيديو غريبًا؟"
أضاف الباحثون شبكة أمان ذكية. بدلاً من مجرد حذف المكعبات "الثقيلة بالخصوصية"، يقومون بضغطها جميعًا معًا في رمز "متبقٍ" (residual token) ضبابي واحد. الأمر يشبه أخذ كل الوجوه الضبابية، وخلطها في "سموذي"، ثم إضافة قطرة صغيرة فقط من هذا السموذي إلى الفيديو.

النتيجة: لا يزال الفيديو يحتفظ بـ سياق المشهد، لكن التفاصيل المحددة التي تحدد هوية الشخص قد اختفت.

التشبيه: الفيلم الصامت

تخيل أنك تشاهد فيلمًا صامتًا حيث يرتدي الممثلون أقنعة.

الطريقة القديمة (التغبيش): تضع ضبابًا كثيفًا فوق الشاشة بأكملها. لا يمكنك رؤية الممثلين، ولا يمكنك رؤية الحبكة أيضًا.
طريقة هذه الورقة: تحافظ على أجساد الممثلين وحركاتهم واضحة تمامًا حتى تتمكن من رؤية الحبكة. ولكنك تستبدل وجوههم بأشكال ضبابية عامة. يمكنك أن تعرف أن "البطل يقاتل الشرير"، ولكن ليس لديك أدنى فكرة عما إذا كان البطل هو "جون" أو "جين".

لماذا هذا مهم؟

اختبرت الورقة هذا الأسلوب على مجموعات بيانات فيديو ضخمة. وكانت النتائج مبهرة:

التعرف على الأفعال: ظل الكمبيوتر جيدًا تقريبًا في التعرف على الأفعال كما لو كان قد رأى الفيديو الأصلي غير المغبش.
الخصوصية: أصبح الكمبيوتر سيئًا للغاية في تخمين من هم الأشخاص. لم يستطع تحديد جنسهم، أو عرقهم، أو هويتهم.

باخت-القول: تسمح لنا هذه الطريقة باستخدام بيانات الفيديو لفهم ماذا يفعل الناس، دون الحاجة أبدًا لمعرفة من هم. إنها وسيلة للحصول على فائدة تحليلات الفيديو دون دفع ثمن الخصوصية.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "من البكسلات إلى الخصوصية: إخفاء الهوية في الفيديو مع الاتساق الزمني عبر تقليم الرموز (Token Pruning) من أجل التعرف على الأفعال مع الحفاظ على الخصوصية."

1. بيان المشكلة

أدى التقدم السريع في نماذج الفيديو واسعة النطاق (مثل Vision Transformers) إلى تحسين التعرف على الأفعال، ولكنه استحدث مخاطر خصوصية كبيرة. فهذه النماذج تقوم بتشفير سمات بيومترية حساسة (مثل هوية الوجه، العرق، والجنس) ضمن تمثيلاتها المكانية والزمانية بشكل ضمني.

محدودية الطرق الحالية:
- طرق إخفاء الهوية التقليدية على مستوى المدخلات: التقنيات مثل التغبيش (Blurring)، أو خفض العينة (Downsampling)، أو القناع (Masking) غالبًا ما تفشل في إخفاء أنماط الحركة (التي يمكن أن تكشف عن الهوية) وتؤدي إلى تدهور البنية المكانية والزمانية اللازمة للتعرف الدقيق على الأفعال.
- النهج القائم على التعلم: بينما تتفوق طرق التدريب التنافسي (Adversarial Training) على استراتيجيات مستوى المدخلات، إلا أن العديد منها يفشل في الفصل الصريح بين إشارات المنفعة (الفعل) وإشارات الخصوصية. ونتيجة لذلك، قد تساهم نفس مقاطع الفيديو (Tubelets) في كلتا المهمتين، مما يجعل من الصعب التحكم بدقة في المقايضة بين المنفعة والخصوصية.

الهدف: تطوير إطار عمل يعمل على كبح الإشارات المكانية والزمانية المسربة للخصوصية مع الحفاظ على المعلومات المميزة للفعل، مما يحقق توازنًا متفوقًا بين المنفعة والخصوصية.

2. المنهجية

يقترح المؤلفون إطار عمل لإخفاء هوية الفيديو مدفوعًا بالانتباه (Attention-driven) يعتمد على بنية Vision Transformer (ViT). الابتكار الجوهري هو الفصل الصريح لميزات المنفعة والخصوصية باستخدام رموز تصنيف متخصصة.

المكونات الرئيسية:

ترميز الفيديو (Video Tokenization):
- يتم تقسيم مقاطع الفيديو المدخلة إلى أنابيب مكانية زمانية (Spatiotemporal Tubelets) غير متداخلة (بقع ثلاثية الأبعاد).
- يتم دمج هذه الأنابيب في تسلسل رموز (Token Sequence) للمعالجة بواسطة الـ Transformer.
رموز التصنيف المزدوجة (التفصيل/Disentanglement):
- يتم إلحاق رمزين مخصصين للمهام ببادئة التسلسل:
  - [act CLS]: مُحسَّن لمهمة المنفعة (التعرف على الفعل).
  - [priv CLS]: مُحسَّن لمهمة الميزانية (التنبؤ بسمات الخصوصية).
- قناع الانتباه المتبادل (Mutual Attention Masking): ميزة تصميمية حاسمة حيث ينتبه [act CLS] إلى جميع الأنابيب (Tubelets) باستثناء [priv CLS]، والعكس صحيح. يضمن ذلك أن يتعلم الرمزان تمثيلات مستقلة دون تلوث متبادل.
تسجيل وتقليم الأنابيب المدفوع بالانتباه (Attention-Driven Tubelet Scoring & Pruning):
- يقوم إطار العمل بحساب درجة المنفعة-الخصوصية ( $s_i$ ) لكل أنبوب $i$ $i$ بناءً على أوزان الانتباه ( $\alpha$ $α$ ) من رمزي الـ CLS:
  $s_i = \alpha^{act}_i - \lambda_{priv} \cdot \alpha^{priv}_i$
  - $\alpha^{act}_i$ : وزن الانتباه من رمز الفعل (يشير إلى الصلة بالفعل).
  - $\alpha^{priv}_i$ : وزن الانتباه من رمز الخصوصية (يشير إلى الصلة بالخصوصية).
  - $\lambda_{priv}$ : معامل (Hyperparameter) يتحكم في قوة كبح الخصوصية.
- الاختيار: يتم الاحتفاظ بأعلى $k$ من الأنابيب ذات الدرجات الأعلى. هذه هي الأنابيب الغنية بإشارات الفعل والفقيرة بإشارات الخصوصية.
- التقليم (Pruning): يتم استبعاد الأنابيب التي تهيمن عليها إشارات الخصوصية (الدرجات المنخفضة).
دمج الرموز (الحفاظ على السياق):
- لمنع فقدان المعلومات السياقية الدقيقة الناتجة عن الأنابيب المستبعدة، يستخدم المؤلفون استراتيجية دمج متبقي (Residual Fusion Strategy).
- بدلًا من التخلص من الأنابيب ذات الدرجات المنخفضة تمامًا، يتم ضغطها في أنبوب متبقٍ واحد ( $t_{fuse}$ ) عبر مجموع مرجح بالأفعال:
  $t_{fuse} = \sum_{i \in T_{drop}} \alpha^{act}_i \cdot x_i$
- يتم إلحاق هذا الرمز المدمج بالمجموعة المحتفظ بها، مما يحافظ على السياق العالمي دون إعادة إدخال التفاصيل الحساسة.
التدريب التنافسي (Adversarial Training):
- يتم تدريب نظام إخفاء الهوية باستخدام طبقة عكس التدرج (Gradient Reversal Layer - GRL) لتقليل خسارة الفعل مع تعظيم خسارة الخصوصية (مما يجبر النموذج على إزالة ميزات الخصوصية).

3. المساهمات الرئيسية

بنية الرموز المفصلة (Disentangled Token Architecture): تقديم رمزين للتصنيف حصريين متبادلين ([act CLS] و [priv CLS]) يعملان على فصل تعلم ميزات الفعل والخصوصية صراحةً داخل بنية مشتركة.
دالة تسجيل مدفوعة بالانتباه: آلية تسجيل مبتكرة ( $s_i = \alpha^{act}_i - \lambda_{priv} \cdot \alpha^{priv}_i$ ) تحدد ديناميكيًا وتقلم الأنابيب الحساسة للخصوصية مع الاحتفاظ بالأنابيب الحرجة للفعل.
دمج الرموز المتبقي (Residual Token Fusion): آلية لضغط المناطق المقلمة في رمز متبقٍ، مما يضمن عدم فقدان الإشارات السياقية المفيدة أثناء عملية التقليم الشديدة.
تقييم شامل: تجارب مكثفة على مجموعات بيانات واسعة النطاق (VPUCF, VPHMDB, PAHMDB) تُظهر أداءً متفوقًا في كل من إعدادات البيانات الداخلية وعبر المجموعات المختلفة.

4. النتائج التجريبية

تم تقييم الطريقة على ثلاث مجموعات بيانات مقابل أفضل الطرق المتاحة (بما في ذلك STPrivacy و VITA و SPAct) باستخدام دقة النوع الأول (Top-1 Accuracy) (للمنفعة) و cMAP/F1 Score (لتسرب الخصوصية).

الأداء داخل مجموعة البيانات (VPUCF):
- دقة الفعل: 80.96% (انخفاض بنسبة 3.92% فقط عن البيانات الخام).
- تسرب الخصوصية: تقليل cMAP إلى 60.30% (انخفاض بنسبة 16.32%).
- المقارنة: تفوق على STPrivacy، التي سجلت تسرب خصوصية أعلى (73.79% cMAP) رغم تشابه دقة الفعل.
التعميم عبر مجموعات البيانات:
- أظهر النموذج قدرة قوية على التعميم عند التدريب على مجموعة بيانات والاختبار على أخرى (مثل VPUCF $\to$ VPHMDB)، حيث حافظ على كبح قوي للخصوصية مع الحفاظ على منفعة الفعل بشكل أفضل من المنافسين.
دراسة الاستئصال (Ablation Study):
- تم تحديد معدل الاحتفاظ (Keep rate) بقيمة 0.9 (تقليم 10% من الأنابيب) كنقطة التشغيل المثلى، حيث توفر تقليلًا كبيرًا للخصوصية (انخفاض 6.3% في cMAP) مع حد أدنى من فقدان المنفعة (انخفاض 1.46% في الدقة). أما التقليم الشديد (معدل احتفاظ 0.7) فقد تسبب في انهيار كبير في المنفعة.

5. الأهمية

تقدم هذه الورقة تحولًا مبدئيًا من إخفاء الهوية الساكن على مستوى المدخلات (التغبيش/التحبيب) إلى التقليم الديناميكي على مستوى التمثيل.

الاتساق الزمني: من خلال العمل على الأنابيب المكانية والزمانية (Tubelets) داخل الـ Transformer، تضمن الطريقة إخفاء أنماط الحركة باتساق عبر الزمن، مما يعالج نقطة ضعف رئيسية في الطرق التي تعمل إطارًا بإطار.
القابلية للتحكم: يسمح الفصل الصريح لإشارات المنفعة والخصوصية بتحكم دقيق في المقايضة، مما يتيح للأنظمة تلبية المتطلبات التنظيمية الصارمة (مثل GDPR) دون جعل الفيديو عديم الفائدة لغرضه الأساسي (التعرف على الأفعال).
الكفاءة: تقلل آلية تقليم الرموز من العبء الحسابي من خلال معالجة عدد أقل من الرموز في الطبقات الأعمق، مما يوفر فائدة مزدوجة تتمثل في حماية الخصوصية والكفاءة.

في الختام، يقدم إطار العمل المقترح حلاً فعالًا وشاملًا لتحليلات الفيديو التي تحافظ على الخصوصية، مما يثبت أنه يمكن الحفاظ على التعرف عالي الدقة على الأفعال حتى بعد إزالة السمات البيومترية الحساسة بشكل منهجي من تمثيل الفيديو.