要約：
動画における多対象追跡は、外観や位置の手掛かりを必要とすることが多く、機微な識別情報を露呈する可能性がある。一方で、プライバシー保護ノイズを加えると、フレーム間の関連付けが崩れ、IDの切替やターゲットの喪失を引き起こす。
我々はTSDCRFを提案する。これはプラグイン式のリファインメントフレームワークで、プライバシーと追跡のバランスを、次の3つの要素を組み合わせることで実現する：
(i) 設定可能なプライバシ予算の下で感度領域に対して校正されたガウシアンノイズを用いた (\varepsilon,\delta)-差分プライバシー；
(ii) ノイズ注入前に不安定または対立するクラス予測を低重み付けして結合を安定化させる正規化制御ペナルティ（NCP）；
(iii) 時系列動的条件付き確率場（DCRF）を用いて時系列の一貫性を強制し、ノイズ後の軌道偏差を補正し、IDスイッチを抑制し軌道ハイジャックへの耐性を高める。
このパイプラインは検出器やトラッカーの選択に依存しない（例：YOLOv4とDeepSORT）。
MOT16、MOT17、Cityscapes、および KITTIを対象に評価する。
結果は、TSDCRFが白色ノイズおよび従来手法(NTPD, PPDTSA)よりも、プライバシーと有用性のトレードオフをより良く達成することを示している：KLダイバージェンスのずれが小さく、追跡RMSEが小さく、軌道ハイジャック時の頑健性が向上しつつプライバシーを維持する。
ソースコードは https://github.com/mabo1215/TSDCRF.git にあります。
TSDCRF: 時系列動的条件付きランダムフィールドと正規化されたコントロールペナルティによるプライバシーとマルチオブジェクト追跡のバランス
arXiv cs.CV / 2026/3/17
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- TSDCRF は、（i）校正済みガウスノイズによる（ε,δ）-差分プライバシー、（ii）ノイズ注入前に不安定または衝突する予測のウェイトを低減する正規化されたコントロールペナルティ、（iii）時系列動的条件付きランダムフィールドを用いて時系列の一貫性を強制する、プライバシー保護を前提としたマルチオブジェクト追跡のプラグイン型改良フレームワークである。
- アプローチは設定可能なプライバシー予算の下で動作し、ノイズによる劣化に対するアソシエーションを安定化させることにより、プライバシーと追跡忠実度のバランスを取ることを目的としている。
- 本手法は検出器およびトラッカーに依存しない（例：YOLOv4 と DeepSORT との互換性がある）こと、標準ベンチマークにおいてプライバシー–有用性のトレードオフが改善されることを示している。
- 本手法は、白色ノイズおよび NTPD、PPDTSA といった従来手法と比較して、KLダイバージェンスのシフトが小さく、追跡 RMSE が低く、軌道ハイジャックに対する耐性が高いことを、MOT16、MOT17、Cityscapes、KITTI の各データセットで報告している。
- TSDCRF のソースコードは公開されており、https://github.com/mabo1215/TSDCRF.git で入手可能。
広告
