ComPrivDet : détection efficace d’objets sensibles dans les domaines compressés par réutilisation d’inférence
Auteurs & institutions
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
Problème traité
Le problème central est de traiter les blocages liés à face privacy detection, compressed-domain detection, video analytics dans détection faciale, afin que la solution soit évaluable par les équipes achat, conformité et engineering, pas seulement par un benchmark.
Résultat clé
Les résultats mettent en avant des gains de précision, d’efficacité, de robustesse ou de généralisation. Pour un acheteur technique, l’enjeu est de réduire le risque de déploiement et d’élargir les cas d’usage.
Résumé
ComPrivDet détecte les objets sensibles, comme les visages, directement depuis les signaux du domaine compressé au lieu d’images entièrement décodées. Il combine des caractéristiques compressées avec la réutilisation d’inférence entre frames pour réduire l’exposition de confidentialité et le temps d’exécution dans l’analyse vidéo cloud ou edge.
Point de départ de la recherche
La motivation vient du passage de détection faciale des benchmarks de laboratoire vers des systèmes réels, où face privacy detection, compressed-domain detection, video analytics influence directement confidentialité, coût, stabilité ou expérience utilisateur.
Méthode
L’approche de « ComPrivDet: Efficient Privacy Object Detection in Compressed Domains Through Inference Reuse » combine architecture, stratégie d’apprentissage ou optimisation système autour de face privacy detection, compressed-domain detection, video analytics. Elle rapproche la recherche d’une capacité réellement déployable.
À retenir
En résumé, ce papier montre qu’en avril 2026 face privacy detection, compressed-domain detection, video analytics devient une variable clé pour productiser et évaluer détection faciale.