Hash 加密图像的深度学习

假设我们有一组用于机器学习分类任务的图像和标签。问题是，这些映像具有相对较短的保留策略。虽然人们可以在线训练模型（即每天用新的图像数据更新模型），但我对一种能够以某种方式保留图像以供训练和测试的解决方案非常感兴趣。

为此，我感兴趣的是是否有任何已知的技术，例如某种对图像的单向散列，它使图像模糊，但仍然允许对其进行深入学习

我不是这方面的专家，但我的思考方式如下：我们有一个

NxN

图像

I

（比如

1024x1024x1024

），像素值在

p:={0,1，…，255}^3

，还有一个单向哈希映射

f（I）：p^（NxN）->S

。然后，当我们在

I

上训练卷积神经网络时，我们首先通过

f

映射卷积滤波器，然后在高维空间S上训练。我认为

f

不需要局部敏感，因为彼此相邻的像素不需要映射到彼此相邻的S中的值，只要我们知道如何将卷积滤波器映射到S，请注意，

f

是不可逆的，并且

S

中存储的结果图像是无法识别的

f，S

的一个选项是在

I

上使用卷积神经网络，然后从其完全连接的层中提取

I

的表示。这并不理想，因为该网络很可能无法保留分类任务所需的更精细的功能。因此，我认为这排除了CNN或

f

的自动编码器