Dampak Anonimisasi pada Pengembangan Model Computer Vision dalam Konteks Kendaraan Otonom
Dalam pengembangan teknologi computer vision, anonimisasi citra merupakan praktik penting untuk melindungi privasi dan memenuhi peraturan privasi yang berlaku. Namun, upaya anonimisasi seringkali mengurangi kualitas data, yang menghambat perkembangan computer vision. Beberapa tantangan yang ada antara lain degradasi data, menemukan keseimbangan antara privasi dan kegunaan data, menciptakan algoritma yang efisien, serta menangani masalah moral dan hukum. Dalam konteks anonimisasi citra, perlu dicapai kompromi yang sesuai untuk menjaga privasi sambil meningkatkan penelitian dan aplikasi computer vision.
Pendekatan Anonimisasi Citra
Pendekatan anonimisasi citra yang telah diterapkan sebelumnya meliputi metode tradisional seperti pengaburan, pemaskeran, enkripsi, dan pengelompokan. Namun, banyak metode tersebut tidak menawarkan jaminan formal terhadap anonimitas, dan informasi lain dalam citra masih dapat mengungkap identitas. Studi yang terbatas telah mengeksplorasi dampak anonimisasi pada model computer vision, dengan efek yang bervariasi tergantung pada tugas yang dilakukan. Selain itu, dataset anonim yang tersedia untuk penelitian juga sangat terbatas.
Dalam penelitian terbaru, para peneliti dari Norwegian University of Science and Technology mengarahkan perhatian mereka pada tugas-tugas penting dalam computer vision dalam konteks kendaraan otonom, khususnya segmentasi instance dan estimasi pose manusia. Mereka mengevaluasi kinerja model anonimisasi wajah dan tubuh lengkap yang diimplementasikan dalam DeepPrivacy2, dengan tujuan membandingkan efektivitas pendekatan anonimisasi realistis dengan metode tradisional.
Dampak Anonimisasi pada Model Computer Vision
Para penulis melakukan eksperimen untuk mengevaluasi model-model yang dilatih dengan menggunakan data anonim pada tiga dataset: COCO Pose Estimation, Cityscapes Instance Segmentation, dan BDD100K Instance Segmentation. Teknik anonimisasi wajah tidak menunjukkan perbedaan kinerja yang signifikan pada dataset Cityscapes dan BDD100K. Namun, untuk estimasi pose COCO, baik teknik pemaskeran maupun pengaburan mengakibatkan penurunan kinerja yang signifikan karena adanya korelasi antara artefak pemaskeran/pengaburan dengan tubuh manusia. Anonimisasi tubuh lengkap, baik dengan metode tradisional maupun realistis, menghasilkan penurunan kinerja dibandingkan dengan dataset asli. Anonimisasi realistis memberikan hasil yang lebih baik, namun tetap mengurangi kualitas hasil karena adanya kesalahan dalam deteksi titik kunci, keterbatasan dalam sintesis citra, dan ketidakcocokan konteks global. Para peneliti juga mengeksplorasi dampak ukuran model dan menemukan bahwa model yang lebih besar memberikan kinerja yang lebih buruk untuk anonimisasi wajah pada dataset COCO. Untuk anonimisasi tubuh lengkap, metode pemotongan standar dan multi-modal meningkatkan kinerja.
Secara keseluruhan, studi ini menginvestigasi dampak anonimisasi pada pengembangan model computer vision menggunakan dataset kendaraan otonom. Anonimisasi wajah memiliki dampak minimal pada segmentasi instance, sementara anonimisasi tubuh lengkap sangat mengganggu kinerja model. Anonimisasi realistis lebih unggul dibanding metode tradisional, namun tidak sepenuhnya dapat menggantikan data asli. Perlindungan privasi tanpa mengorbankan kinerja model menjadi hal yang penting. Studi ini memiliki keterbatasan dalam ketergantungan pada anotasi dan arsitektur model, sehingga penelitian lebih lanjut diperlukan untuk meningkatkan teknik anonimisasi dan mengatasi keterbatasan dalam sintesis citra. Tantangan dalam mensintesis citra manusia untuk anonimisasi pada kendaraan otonom juga menjadi sorotan penting.
Disarikan dari: Link