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

1. Il Problema

L'avanzamento dei modelli video su larga scala ha migliorato la comprensione video in settori come sorveglianza e sanità, ma ha anche amplificato i rischi per la privacy. Questi modelli codificano implicitamente attributi sensibili (identità facciale, razza, genere) all'interno delle loro rappresentazioni spaziotemporali.
Sebbene l'anonymizzazione delle immagini sia ben studiata, quella video rimane sottesplorata. Le strategie tradizionali (downsampling, sfocatura, mascheramento) presentano limiti critici:

• Inefficacia sui pattern di movimento: Spesso rimuovono i dettagli statici ma lasciano intatti i pattern di movimento che possono fungere da identificatori biometrici.
• Degrado delle prestazioni: Modificazioni aggressive dello spazio distruggono la struttura spaziotemporale necessaria per il riconoscimento delle azioni.
• Mancanza di disentanglement: I metodi basati sull'apprendimento esistenti (come STPrivacy) non separano esplicitamente i segnali di utilità (azione) da quelli di privacy, rendendo difficile controllare il compromesso tra le due.

2. Metodologia

Gli autori propongono un framework di anonimizzazione video spaziotemporale guidato dall'attenzione, basato su una Vision Transformer (ViT). L'obiettivo è disaccoppiare le caratteristiche utili per il riconoscimento delle azioni da quelle sensibili alla privacy.

Architettura Chiave

1. Tokenizzazione Video: Il video di input viene suddiviso in "tubelet" spaziotemporali (blocchi non sovrapposti di dimensioni temporali e spaziali) e mappati in token.
2. Doppio Token di Classificazione (CLS): Vengono introdotti due token specifici per il task all'inizio della sequenza:
   • [act CLS]: Si focalizza sulle informazioni rilevanti per il riconoscimento dell'azione (Utilità).
   • [priv CLS]: Si focalizza sugli attributi sensibili alla privacy (Budget).
   • Mascheramento dell'Attenzione Incrociata: I due token CLS non si "guardano" a vicenda (mutual attention masking), ma entrambi prestano attenzione a tutti i tubelet. Questo forza il modello a imparare rappresentazioni disaccoppiate.
3. Punteggio Utilità-Privacy: Per ogni tubelet $i$, viene calcolato un punteggio $s_i$ basato sulle distribuzioni di attenzione dei due token:
   $$s_i = \alpha^{act}_i - \lambda_{priv} \cdot \alpha^{priv}_i$$
   Dove $\alpha^{act}_i$ e $\alpha^{priv}_i$ sono i pesi di attenzione assegnati dal token azione e dal token privacy, e $\lambda_{priv}$ è un iperparametro di bilanciamento.
4. Selezione e Pruning dei Tubelet:
   • Vengono selezionati i top-$k$ tubelet con i punteggi più alti (alta utilità, bassa privacy).
   • I tubelet rimanenti (dominati da segnali di privacy) non vengono semplicemente scartati, ma fusi in un singolo token residuo tramite una somma pesata dai pesi di attenzione dell'azione. Questo preserva il contesto globale senza rivelare dettagli sensibili.
5. Addestramento Adversariale: Il framework utilizza un Gradient Reversal Layer per addestrare il modello in modo che massimizzi l'accuratezza dell'azione e minimizzi la capacità di un classificatore di prevedere gli attributi privati.

3. Contributi Principali

1. Introduzione di Token CLS Specifici: L'uso di due token di classificazione distinti con mascheramento dell'attenzione reciproca per disaccoppiare esplicitamente utilità e privacy all'interno di un backbone ViT condiviso.
2. Funzione di Punteggio Guidata dall'Attenzione: Una nuova funzione di scoring che combina i pesi di attenzione per identificare dinamicamente e selettivamente i tubelet da mantenere o fondere, offrendo un controllo preciso sul compromesso privacy-utilità.
3. Strategia di Fusione dei Token: Un meccanismo innovativo per comprimere i tubelet scartati in un token residuo, evitando la perdita totale di contesto spaziotemporale che potrebbe danneggiare il riconoscimento delle azioni.
4. Validazione Estensiva: Sperimentazioni su dataset pubblici (VPUCF, VPHMDB, PAHMDB) che dimostrano la superiorità del metodo rispetto agli stati dell'arte sia in setting intra-dataset che cross-dataset.

4. Risultati Sperimentali

Il metodo è stato valutato su tre dataset principali confrontando l'accuratezza del riconoscimento delle azioni (Top-1 Accuracy) e la perdita di privacy (cMAP e F1 score per la classificazione degli attributi privati).

• Performance su VPUCF: Il metodo proposto ottiene un'accuratezza azione del 80.96% (con una diminuzione minima rispetto ai dati grezzi) riducendo drasticamente la privacy leakage (cMAP scende a 60.30%). In confronto, il metodo precedente STPrivacy mantiene un'azione più alta (82.55%) ma riduce molto meno la privacy (cMAP 73.79%).
• Performance su VPHMDB: Il metodo offre il miglior compromesso globale, mantenendo il 79.59% di accuratezza azione con una significativa riduzione della privacy (cMAP 70.32%), superando metodi come "Balancing" che hanno un'accuratezza azione inferiore (74.61%).
• Generalizzazione Cross-Dataset: In scenari di trasferimento (es. addestramento su VPUCF e test su VPHMDB), il metodo dimostra una capacità superiore di sopprimere la privacy su nuovi dataset rispetto alle baseline, mantenendo prestazioni competitive.
• Analisi Qualitativa: Le visualizzazioni mostrano che i dettagli identificativi (volto, tono della pelle) vengono rimossi o offuscati, mentre la struttura del movimento e la postura corporea (necessarie per l'azione) rimangono intatte.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso l'analisi video rispettosa della privacy.

• Principio di Disentanglement: Dimostra che è possibile separare matematicamente le feature di utilità da quelle di privacy all'interno di modelli Transformer, superando i limiti dei metodi basati su modifiche input-level.
• Efficienza e Controllo: La strategia di pruning selettivo permette di ottenere un alto livello di anonimizzazione senza distruggere completamente il contenuto video, offrendo un compromesso controllabile per applicazioni reali come la sorveglianza intelligente o il monitoraggio sanitario.
• Conformità Normativa: Il metodo fornisce una soluzione tecnica praticabile per rispettare regolamenti come il GDPR, permettendo l'uso di dati video per l'analisi delle azioni senza esporre l'identità degli individui.

In sintesi, l'approccio proposto trasforma il problema dell'anonymizzazione video da una semplice oscurazione visiva a un processo di selezione intelligente delle feature, garantendo che i dati rimangano utili per l'IA ma inutilizzabili per l'identificazione personale.