强力保护个人隐私，交给AI面部匿名化！

全文共4653字，预计学习时长9分钟

图片来源：https://unsplash.com/@resolvxd

2019年消费者隐私问题成为众矢之的，目前事态也没有好转的迹象。Netflix新记录片《隐私大盗》（TheGreat Hack）揭露了隐私这一概念在不断消失，消费者处在这种令人窒息的现实下。

就这一担忧，人们也做出了各种各样的回应，《通用数据保护条例》（GeneralData Protection Regulation, GDPR）就是其中一例。这项新规定旨在赋予消费者（欧盟公民及企业）更多权力，能对个人数据的获取方式、获取地点和使用对象有更多的控制。这项条例主要围绕消费者的意向，为消费者和企业重新赋权，对大型企业的活动进行监管。

《通用数据保护条例》的出台等举措显然已经改变了权力不平等的局面，个人对隐私有了更多的控制，但事实却是，用户越来越难判定个人隐私在哪些情况下是可以使用的。

对消费者来说，真正的数据隐匿是一项复杂又艰巨的任务，因为显然这其中缺少一定的机制和工具来帮助用户实现判定。在处理图片和视频这类灰色地带时尤为困难。《通用数据保护条例》中就“个人数据”进行了以下阐述：

如果能直接或间接地通过姓名、身份证号、地点、网络识别码或者其中一个能展现自然人生理、心理、基因数列、精神、商业、文化或社会身份的特征进行识别，数据主体就是可识别的。

《通用数据保护条例》看上去好像是涵盖了个人可能控制自己隐私的所有情况，但由于个人数据条例的特性，关于用户的图片和视频信息不包含在该条例的保护范围内。这对大部分人来说当然是一个不好的消息，如今，个人和机构也正在积极寻找有效机制来应对这一漏洞。

人工智能可以提供帮助吗？

在安保、个人隐私、对抗恐怖主义等领域，人工智能的应用越来越普遍。相关例子和应用程序涵盖的范围十分广泛。在一些简单的应用场景，比如通过人工智能在操作系统中检测可疑活动来提高系统的运转机制，例如预测民众骚动，人工智能可以显著提高传统安保的能力。

本文将介绍最新例子，以及笔者眼中人工智能和安保领域最厉害的前沿技术。

DeepPrivacy

输入（左）输出（右）

DeepPrivacy是Hakon Hukkelas, Rudelf Mester和Frank Lindseth研发的最新面部匿名工具。在他们的原创论文中（https://arxiv.org/pdf/1909.04538v1.pdf），团队提出了一种新颖的构架可以在图片和视频领域实现完全的面部匿名化。

GitHub上有详细指示，教你如何运行推断结果以及如何训练模型：https://github.com/hukkelas/DeepPrivacy

我们提出了一项新的架构，能在图片中实现自动面部匿名化，同时保留原来的数据分布。通过遵守隐私安全信息来生成图片，我们能保障实现完全的面部匿名化。

DeepPrivacy：在面部匿名化领域使用生成式对抗网络

为了达到这一目的，DeepPrivacy采用了一系列独特的机制，比如使用掩模区域卷积神经网络来识别物体，双摄面部识别来识别人脸，使用U型网络结构来生成图片，还包括一个名为‘Flickr Diverse Faces’，这是由147万人脸组成的特殊数据集。

训练模型的首选机制当然是条件式生成对抗网络架构（cG