近日，我院青年教师杨晶晶博士在 《IEEE Transactions on Intelligent Transportation Systems》期刊发表“Generating and Restoring Private Face Images for Internet of Vehicles based on Semantic Features and Adversarial Examples”学术论文，论文针对在人脸图像特征的泄露会严重威胁用户信息的安全，限制了人脸识别技术在车联网中应用的问题，提出了一种基于语义特征和对抗样本生成和还原的人脸隐私图像的新方法。
文章首先使用Segnet 网络对人脸图像进行语义分割，然后生成对抗网络生成对抗样本，并扰动人脸图像的语义特征。由于人脸图像的身份标签被隐写隐藏，因此可以通过系数矩阵精确控制扰动位置。训练恢复网络，使用判别器从隐私人脸图像中提取真实身份标签，然后将隐私人脸图像恢复到其原始状态。与其他最先进的方法相比，该方法生成的隐私人脸图像在实验上表现出高检测抗性、更好的质量和更强的中值滤波防御。
IEEE Transactions on Intelligent Transportation Systems为SCI检索期刊，中科院大类一区，最新影响因子为6.4492，主要刊发信心技术的设计、分析及控制方面的相关文章。
文章链接：
https://ieeexplore.ieee.org/document/9511319
此外，人脸图像特征代表了重要的用户隐私问题。针对在现有的隐私保护方法下，人脸图像无法私下传输，各种社交网络上的数据分布不均等问题，杨晶晶博士还发表题为《Transferable Face Image Privacy Protection based on Federated Learning and Ensemble Models》的学术论文于《Complex & Intelligent Systems 》。
论文提出了一种基于联邦学习和集成模型的人脸图像隐私保护方法。采用联邦学习的方法建立了基于分布式数据集的联邦学习模型。在客户端，通过局部人脸数据训练得到一个局部人脸识别模型，作为PcadvGAN的输入，对PcadvGAN进行多轮训练。在服务器端，建立了基于差分进化算法的参数聚合器作为 PcadvGAN 服务器的判别器，同时集成了客户端人脸识别模型。 PcadvGAN 服务器的判别器经历了突变、交叉以及与集成模型的交互，从而揭示了 PcadvGAN 模型的最优全局权重。最后通过计算得到PcadvGAN的全局最优聚合参数矩阵。服务端和客户端共享全局最优聚合参数矩阵，使得每个客户端都可以生成具有高可迁移性和实用性的人脸隐私图像。目标攻击和非目标攻击实验表明，与其他现有方法相比，所提出的方法可以更有效地生成高质量、可转移、鲁棒、私密的人脸图像。
《Complex & Intelligent Systems》为SCI检索期刊，中科院大类二区，影响因子3.791，期刊旨在展示和讨论新的方法、工具和技术，以实现复杂系统、计算模拟、智能分析和可视化等广泛领域之间的相互融合。
文章链接：
https://link.springer.com/article/10.1007/s40747-021-00399-6
