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

Resumen Técnico: Anonimización de Video Espaciotemporal Basada en Pruning de Tokens

1. El Problema

Los modelos de visión por computadora modernos, especialmente los basados en Transformers de Video (ViT), han mejorado significativamente la comprensión de video en áreas como la vigilancia y la salud. Sin embargo, estos modelos presentan un riesgo crítico de privacidad: al aprender representaciones espaciotemporales para reconocer acciones, también codifican inadvertidamente atributos sensibles (identidad facial, raza, género, etc.).

Los enfoques existentes para la anonimización presentan limitaciones:

• Métodos tradicionales (difuminado, pixelado, reducción de resolución): A menudo destruyen la estructura espaciotemporal necesaria para el reconocimiento de acciones y no protegen eficazmente los patrones de movimiento que pueden revelar la identidad.
• Métodos basados en aprendizaje (adversarios): Aunque mejoran el equilibrio entre utilidad y privacidad, muchos no separan explícitamente las señales de utilidad (acción) de las de privacidad. Esto hace que la selección de qué información eliminar sea imprecisa, ya que los mismos fragmentos de video pueden ser cruciales tanto para la acción como para la inferencia de identidad.

El objetivo es desarrollar un sistema que elimine selectivamente las señales de privacidad sin degradar el rendimiento en la tarea de reconocimiento de acciones.

2. Metodología Propuesta

Los autores proponen un marco novedoso de anonimización espaciotemporal impulsado por atención, basado en la desensamblaje (disentanglement) explícito de características de utilidad y privacidad dentro de un Transformer de Video (ViT).

Componentes Clave:

• Tokenización en Tubos (Tubelets): El video se divide en "tubos" espaciotemporales no superpuestos (pequeños cubos de espacio-tiempo).
• Dos Tokens de Clasificación Específicos: Se introducen dos tokens especiales en la entrada del Transformer:
  1. [act CLS]: Enfocado en la tarea de utilidad (reconocimiento de acción).
  2. [priv CLS]: Enfocado en la tarea de presupuesto (predicción de atributos privados).
  • Mecanismo de Enmascaramiento: Estos tokens se entrenan con máscaras de atención mutua; cada token atiende a todos los tubos del video, pero no atiende al otro token. Esto fuerza al modelo a aprender representaciones disociadas.
• Puntuación Utilidad-Privacidad: Para cada tubo $i$, se calcula una puntuación ($s_i$) basada en los pesos de atención de ambos tokens:
  $$s_i = \alpha^{act}_i - \lambda_{priv} \cdot \alpha^{priv}_i$$
  Donde $\alpha^{act}_i$ es la atención del token de acción y $\alpha^{priv}_i$ es la del token de privacidad. Un tubo con alta puntuación es crucial para la acción pero poco revelador de privacidad.
• Selección y Pruning (Poda) Selectiva: Se retienen los $k$ tubos con las puntuaciones más altas (top-k). Los tubos dominados por señales de privacidad se eliminan.
• Fusión de Tokens (Token Fusion): Para no perder información contextual sutil de los tubos eliminados, estos no se descartan por completo. Se comprimen en un único "tubo residual" mediante una suma ponderada por la atención de acción, preservando el contexto global sin revelar detalles sensibles.
• Entrenamiento Adversarial: El sistema se entrena minimizando la pérdida de la tarea de acción y maximizando la pérdida de la tarea de privacidad (usando una capa de reversión de gradiente), asegurando que el anonimizador aprenda a suprimir atributos privados mientras mantiene la utilidad.

3. Contribuciones Clave

1. Desensamblaje Explícito: Introducción de dos tokens de clasificación independientes con enmascaramiento de atención mutua para separar las señales de utilidad y privacidad dentro de una misma arquitectura ViT.
2. Función de Puntuación Basada en Atención: Desarrollo de una métrica dinámica que asigna un valor de importancia a cada tubo espaciotemporal según su contribución a la acción versus su riesgo de privacidad, permitiendo una poda controlada y adaptable a la entrada.
3. Estrategia de Fusión de Residuos: Implementación de un módulo de fusión que comprime los tubos eliminados en un token residual, mitigando la pérdida de contexto y mejorando la robustez del reconocimiento de acciones.
4. Validación Exhaustiva: Evaluación en múltiples conjuntos de datos públicos (VPUCF, VPHMDB, PAHMDB) bajo escenarios de datos conocidos y desconocidos (transferencia cruzada).

4. Resultados Experimentales

El método fue evaluado comparándolo con el estado del arte (SOTA) como STPrivacy, VITA y SPAct, utilizando métricas de precisión Top-1 para acciones y cMAP/F1 para privacidad.

• Rendimiento en Datos Conocidos:
  • En el conjunto VPUCF, el método propuesto logró un 80.96% de precisión en acción (solo una caída de ~3.9% respecto a los datos crudos) mientras reducía significativamente la fuga de privacidad (cMAP de 60.30% vs. 73.79% de STPrivacy).
  • En VPHMDB, mantuvo un 79.59% de precisión en acción con una reducción sustancial de la fuga de privacidad, superando el equilibrio utilidad-privacidad de STPrivacy, que sufría una degradación mayor en la utilidad (50.73%).
  • En PAHMDB, obtuvo la mayor precisión de acción (62.58%) entre todos los métodos evaluados, con una reducción efectiva de la privacidad.
• Generalización (Transferencia Cruzada):
  • Al entrenar en un dataset y probar en otro (ej. VPUCF $\to$ VPHMDB), el método demostró una mejor generalización en la supresión de privacidad que los enfoques anteriores, manteniendo una utilidad competitiva.
• Análisis de Ablación:
  • Se identificó que una tasa de retención (keep rate) de 0.9 (podando solo el 10% de los tubos en capas específicas) ofrece el mejor equilibrio, logrando reducciones significativas en privacidad con una caída mínima en la precisión de la acción.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la analítica de video privada y ética.

• Eficiencia y Control: A diferencia de los métodos que borran regiones fijas o reducen la resolución global, este enfoque es dinámico y selectivo, eliminando solo los "tubos" que contienen información de identidad innecesaria para la tarea.
• Cumplimiento Normativo: Ofrece una solución técnica viable para cumplir con regulaciones estrictas como el GDPR, permitiendo el uso de sistemas de vigilancia y análisis de video sin comprometer la identidad de los individuos.
• Preservación de la Utilidad: Demuestra que es posible mantener un alto rendimiento en tareas complejas de visión por computadora (como el reconocimiento de acciones) incluso bajo restricciones de privacidad fuertes, algo que los métodos anteriores no lograban consistentemente.

En conclusión, el marco propuesto demuestra que la poda de tokens impulsada por la atención es una estrategia efectiva y principista para lograr un equilibrio óptimo entre la privacidad del usuario y la utilidad del sistema en el análisis de video.