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

1. Problema

O avanço de modelos de vídeo em larga escala (como os baseados em Transformers) melhorou significativamente a compreensão de vídeo em áreas como vigilância e saúde. No entanto, esses modelos codificam inadvertidamente atributos sensíveis (identidade facial, raça, gênero) dentro de suas representações aprendidas, criando riscos de privacidade.

Embora a anonimização de imagens seja bem estudada, a anonimização de vídeo permanece subexplorada. Métodos tradicionais (como desfoque, pixelização ou redução de resolução) falham em dois aspectos principais:

1. Vazamento de Padrões de Movimento: Eles podem ocultar a aparência, mas não os padrões de movimento temporal, que ainda podem ser usados para identificar indivíduos.
2. Degradação de Desempenho: Modificações agressivas no nível de entrada destroem a estrutura espaço-temporal necessária para tarefas de reconhecimento de ações, reduzindo a utilidade do sistema.

Métodos baseados em aprendizado recentes tentam equilibrar privacidade e utilidade, mas muitas vezes não separam explicitamente os sinais de "utilidade" (ação) e "privacidade", tornando difícil controlar o trade-off sem perder informações críticas.

2. Metodologia

O artigo propõe um framework de anonimização espaço-temporal orientado por atenção, baseado em Vision Transformers (ViTs). A ideia central é usar mecanismos de atenção para separar explicitamente as informações relevantes para a tarefa (ação) das informações sensíveis (privacidade) antes da decisão de anonimização.

Arquitetura e Componentes Chave:

• Tokenização de Vídeo: O vídeo de entrada é dividido em "tubelets" (pequenos cubos espaço-temporais não sobrepostos) e convertidos em tokens.
• Dois Tokens de Classificação Específicos: O modelo introduz dois tokens especiais no início da sequência:
  • [act CLS]: Focado em aprender representações relevantes para a ação (utilidade).
  • [priv CLS]: Focado em aprender representações relevantes para atributos privados (privacidade).
• Máscara de Atenção Mútua: Durante o treinamento, os dois tokens CLS são isolados um do outro (não atendem um ao outro), mas ambos atendem a todos os tokens de tubelet. Isso força o modelo a aprender distribuições de atenção distintas para cada objetivo.
• Pontuação e Poda de Tubelets (Token Pruning):
  • Calcula-se um escore de utilidade-privacidade ($s_i$) para cada tubelet $i$ com base nas pesos de atenção dos dois tokens:
    $$s_i = \alpha^{act}_i - \lambda_{priv} \cdot \alpha^{priv}_i$$
    Onde $\alpha^{act}_i$ é a atenção do token de ação e $\alpha^{priv}_i$ é a atenção do token de privacidade.
  • Os tubelets com escores mais altos (ricos em ação, pobres em privacidade) são mantidos.
  • Os tubelets com escores baixos (ricos em privacidade) são podados.
• Fusão de Tubelets (Token Fusion): Para evitar a perda total de contexto contextual sutil, os tubelets descartados não são simplesmente eliminados. Eles são comprimidos em um único token residual usando uma soma ponderada pelos pesos de atenção da ação, preservando informações contextuais sem reintroduzir detalhes sensíveis.
• Treinamento Adversarial: O modelo é treinado com uma função de perda que minimiza a perda de classificação de ação (utilidade) enquanto maximiza a perda de classificação de atributos privados (privacidade), utilizando uma camada de reversão de gradiente.

3. Contribuições Principais

1. Separação Explícita de Objetivos: Introdução de dois tokens de classificação distintos ([act CLS] e [priv CLS]) com máscara de atenção mútua, permitindo a desconexão (disentanglement) das características de utilidade e privacidade dentro de um mesmo backbone.
2. Função de Pontuação Orientada por Atenção: Proposição de uma função de pontuação dinâmica que usa a diferença entre as atenções de ação e privacidade para selecionar quais partes do vídeo devem ser mantidas ou removidas, oferecendo um controle preciso sobre o trade-off.
3. Poda Adaptativa e Fusão: Um mecanismo de poda seletiva de tubelets combinado com uma estratégia de fusão de tokens descartados, garantindo que a estrutura espaço-temporal necessária para o reconhecimento de ações seja preservada mesmo sob fortes restrições de privacidade.
4. Validação Abrangente: Experimentos extensivos em múltiplos conjuntos de dados (VPUCF, VPHMDB, PAHMDB) e cenários de avaliação (dentro do conjunto de dados e cruzamento entre conjuntos de dados).

4. Resultados

Os experimentos demonstram que a abordagem proposta supera os métodos atuais (State-of-the-Art), incluindo STPrivacy, VITA e SPAct.

• Equilíbrio Utilidade-Privacidade: O método mantém uma precisão de reconhecimento de ação competitiva (próxima aos dados brutos) enquanto reduz significativamente o vazamento de privacidade.
  • Exemplo no dataset VPUCF: O método alcançou 80,96% de precisão (Top-1) na ação (apenas 3,92% de queda em relação aos dados brutos), enquanto reduziu a métrica de privacidade (cMAP) para 60,30% (uma redução de 16,32% em relação aos dados brutos). Em comparação, o STPrivacy manteve 82,55% de precisão, mas apenas reduziu a privacidade para 73,79%.
• Generalização: Em cenários de transferência entre conjuntos de dados (treinar em um, testar em outro), o método demonstrou melhor generalização na supressão de privacidade sem colapso na utilidade.
• Análise Qualitativa: Visualizações mostram que o método remove detalhes identificáveis (rosto, tom de pele) mas preserva a estrutura de movimento e a interação com objetos, essenciais para a ação.

5. Significado e Impacto

Este trabalho oferece uma solução principlada e eficiente para a privacidade em análise de vídeo. Ao mover-se da anonimização baseada em pixels (que degrada a qualidade) para a anonimização baseada em representações (token pruning), o método permite:

• Conformidade Regulatória: Atender a requisitos rigorosos como o GDPR, removendo dados pessoais sem inutilizar os dados para análise de comportamento.
• Viabilidade Prática: Oferece um sistema onde a vigilância e a análise de vídeo podem ser realizadas de forma ética, mantendo a eficácia das tarefas de visão computacional (como detecção de anomalias ou contagem de pessoas) enquanto protegem a identidade dos indivíduos.
• Inovação Técnica: Estabelece um novo paradigma para o uso de Transformers em privacidade, demonstrando que a atenção pode ser estruturada para fins de segurança, não apenas para desempenho de tarefa.

Em resumo, a proposta transforma o dilema "privacidade vs. utilidade" em um processo de seleção inteligente de dados, onde apenas as informações estritamente necessárias para a tarefa são preservadas.