Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.12730v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.12730v1 (cs)
[提交于 2025年7月17日 ]

标题: 一种使用领域自适应技术的隐私保护语义分割方法

标题: A Privacy-Preserving Semantic-Segmentation Method Using Domain-Adaptation Technique

Authors:Homare Sueyoshi, Kiyoshi Nishikawa, Hitoshi Kiya
摘要: 我们提出了一种隐私保护的语义分割方法,用于对用于模型训练的图像以及测试图像应用感知加密。 该方法还能提供与没有任何加密的模型几乎相同的准确性。 上述性能是通过在视觉变压器(ViT)的嵌入结构上使用领域自适应技术实现的。 在使用一种称为语义分割变压器的强大多任务语义分割模型时,实验确认了所提出方法在语义分割准确性方面的有效性。
摘要: We propose a privacy-preserving semantic-segmentation method for applying perceptual encryption to images used for model training in addition to test images. This method also provides almost the same accuracy as models without any encryption. The above performance is achieved using a domain-adaptation technique on the embedding structure of the Vision Transformer (ViT). The effectiveness of the proposed method was experimentally confirmed in terms of the accuracy of semantic segmentation when using a powerful semantic-segmentation model with ViT called Segmentation Transformer.
评论: 4页,5图,1表。已被GCCE 2025接收
主题: 计算机视觉与模式识别 (cs.CV) ; 密码学与安全 (cs.CR)
引用方式: arXiv:2507.12730 [cs.CV]
  (或者 arXiv:2507.12730v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12730
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Homare Sueyoshi [查看电子邮件]
[v1] 星期四, 2025 年 7 月 17 日 02:14:50 UTC (2,660 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CR

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号