ComPrivDet: detección eficiente de objetos privados en dominios comprimidos mediante reutilización de inferencia
Autores e instituciones
Junlin He
Carnegie Mellon University, Pittsburgh, PA, USA
Kaiyue Huang
Carnegie Mellon University, Pittsburgh, PA, USA
Yuguang Yao
Carnegie Mellon University, Pittsburgh, PA, USA
Hui Li
Carnegie Mellon University, Pittsburgh, PA, USA
Marios Savvides
Carnegie Mellon University, Pittsburgh, PA, USA
Anthony Rowe
Carnegie Mellon University, Pittsburgh, PA, USA
Peilong Li
Carnegie Mellon University, Pittsburgh, PA, USA
Qué problema resuelve
El problema central es resolver cuellos de botella de face privacy detection, compressed-domain detection, video analytics en detección facial de forma que la solución pueda ser evaluada por compras, cumplimiento e ingeniería, no solo por un benchmark académico.
Resultado clave
Los resultados destacan mejoras en precisión, eficiencia, robustez o generalización. Para compradores técnicos importa si reducen riesgo de despliegue y amplían escenarios de uso.
Resumen
ComPrivDet detecta objetos sensibles para la privacidad, como rostros, directamente desde señales del dominio comprimido en lugar de imágenes totalmente decodificadas. Combina características comprimidas con reutilización de inferencia entre frames para reducir exposición de privacidad y tiempo de ejecución en analítica de vídeo cloud o edge.
Punto de partida
La motivación es que detección facial está pasando de benchmarks de laboratorio a sistemas reales, donde face privacy detection, compressed-domain detection, video analytics afecta privacidad, coste, estabilidad o experiencia de usuario.
Método
El enfoque de «ComPrivDet: Efficient Privacy Object Detection in Compressed Domains Through Inference Reuse» combina diseño de arquitectura, estrategia de entrenamiento u optimización de sistema orientada a face privacy detection, compressed-domain detection, video analytics. Esto acerca la investigación a una capacidad desplegable.
Conclusión del artículo
En síntesis, este trabajo muestra que en abril de 2026 face privacy detection, compressed-domain detection, video analytics se está convirtiendo en una variable clave para productizar y evaluar detección facial.