标签: 数据处理

海量数据 的收集使得新旧企业能够利用 机器学习 技术开发新产品并革新旧产品。近年来， 数据质量 因直接影响了人工智能系统的性能和鲁棒性而备受关注。然而，这对通常通过 破坏像素信息 （如模糊化、马赛克等）来实现匿名化的方法提出了挑战，这些方法导致合规性与数据质量之间难以兼得。 我们探索了一种不是简单移除像素信息，而是对其进行自然替换的 深度自然匿名化 （Deep Natural Anonymization，DNAT）方法，致力于提高匿名化数据价值，助力企业开发创新。 一、匿名化数据的传统矛盾 DNAT 能够检测人脸、车牌等可识别信息，并为每个对象生成 人工替换 。每个替换都尽可能匹配源对象的属性，但这种匹配是有选择性的，我们可以灵活控制保留哪些属性。 例如，对于人脸，保留性别和年龄等属性可能对后续分析至关重要。对于可识别信息以外的内容，不包含敏感个人数据的信息则保留不做修改。通过这种方式，DNAT成功打破了 数据消除与匿名化 之间的传统矛盾。 图1: 匿名化工具的比较，从左至右依次为：Facepixelizer，YouTube，Fast Redaction，DNAT，原图 为了衡量匿名化方法对数据质量的影响，我们从Labeled Face in the Wild（LFW）数据集中采样了图像。所有图像均取自测试集。我们 比较了 代表匿名化技术的 四种不同的匿名化工具 ，图1显示了这些示例的一部分。 二、匿名化的结构一致性 首先，我们分析了图像在匿名化处理后的 整体结构变化 。为此，我们仔细研究了图像分割结果。图像分割是将图像的像素划分为多个片段的过程，每个片段代表一个对象类别。在我们的示例中，最重要的对象是个人资料图片中的 人物和背景 。 图2和图3展示了LFW数据集中两位名人的分割图。这些分割图是由 语义分割模型DeepLabv3+ 生成的，采用了官方TensorFlow存储库中的实现和模型权重。 图2: AI Pacino DeepLabv3+ 分割结果对比 图3: Reese witherspoon DeepLabv3+ 分割结果对比 从图2和图3中可以看出，传统匿名化方法的分割图明显退化，其中一些甚至完全错误。然而， 深度自然匿名化（DNAT）保留了语义分割 。分割图与原始图像几乎完全相同。从图3中可以看出，经过传统匿名化方法处理的人脸图像不仅产生了较差的分割边界，还使分割模型推断出原始图像中 从未出现的新对象类别 ，如猫、狗或瓶子。 为了 量化每种匿名化技术的影响 ，我们计算了整个测试集的 平均交并比 （mIOU）。计算是在不同方法生成的图像分割图与原始图像分割图之间进行的。结果如表1所示。 表1：用mIOU测量的语义分割一致性（越高越好） 三、匿名化的内容一致性 为了评估匿名化图像与原始图像之间的 整体内容一致性 ，我们使用了 Clarifai的独立图像标注模型 。“通用图像标注模型能够识别超过11,000种不同的概念，包括对象、主题、情绪等。”这些标签描述了模型从输入图像中推断出的内容。 此外，模型还为每个标签提供了 置信度 。图4展示了Clarifai公共图像标注模型对原始图像及其DNAT版本预测的前5个概念。 图4:来自clarifai的Reese Witherspoon前5个概念。（左原始图像，右DNAT） 理想情况下，通用图像标注模型应该为原始图像和匿名化图像预测完全相同的概念。为了衡量一致性，我们使用Clarifai为每种匿名化技术的所有测试样本 预测概念 。然后，我们计算了匿名化图像与原始图像之间 前N个预测概念的平均精度 （mAP）（其中N代表不同概念的数量）。 通过mAP，我们评估了两点： 预测概念的一致性 及其 相关分数 。例如，考虑一个匿名化图像及其原始图像对，经过图像标注模型处理后，如果某个概念在匿名化图像中的置信度值低于其在原始图像中的置信度值，则对最终mAP分数的影响较小；而如果某个概念仅出现在匿名化图像中，而未出现在其原始图像中，则影响较大。 前5和前50个 概念的结果如表2所示。 表2：用mAP测量图像概念一致性（越高越好） 四、总结 本文探讨了如何通过 深度自然匿名化（DNAT） 技术提升 匿名化数据的价值 ，打破了传统匿名化方法在合规性与数据质量之间的固有权衡。DNAT通过生成自然替换而非破坏像素信息，不仅有效保护了个人隐私，还最大限度地保留了数据的分析价值。 实验表明，DNAT在 图像分割 和 内容一致性 方面显著优于传统匿名化方法，能够更好地支持后续的AI分析和应用。

一、前言 随着自动驾驶技术的快速发展， 庞大的测试数据 和 复杂的场景需求 为 性能与安全评估 带来了巨大挑战。如何 高效管理海量数据 、 挖掘关键场景 ，并满足以 Euro NCAP （European New Car Assessment Programme，欧洲新车安全评鉴协会）为代表的严格评估标准，已成为行业亟待解决的核心问题。 这不仅关乎技术研发的效率与精度，更是智能驾驶车辆进入市场、提升竞争力的关键前提。 本文我们将围绕如何应对海量数据所带来的挑战进行探讨，分享提高场景测试与性能安全评估的见解。 二、场景测试与性能评估的挑战 在自动驾驶技术的研发与测试过程中， “场景” 是一个核心概念，也是验证自动驾驶系统性能和安全性的关键手段之一。无论是行业专家还是普通关注者，谈及自动驾驶测试时，都会提到“场景”以及“基于场景的测试”。 图 1自动驾驶场景概念图 场景 通常由 静态要素 （道路、交通标志、建筑物等）、 动态目标 （车辆、行人等）、 环境条件 （天气、光照等）、 行为模式 （变道、急刹车等）组成，旨在描述车辆可能面临的各种复杂情况。由于内容极为丰富， 国际标准ISO 34501通过四层抽象分级模型 对其进行分类，即 功能场景 、 抽象场景 、 逻辑场景 和 具体场景 ，后两者便是当下关注的重点。 图 2四层抽象分级模型与场景测试挑战 对于测试而言，除了在各个场景下的性能表现，通常还得 满足一些法规或者评估标准 。例如，对于车辆的安全性而言，最广为人知的便是 Euro NCAP的评级。 Euro NCAP的评级结果 不仅会为消费者选购车辆提供重要参考，也是诸多汽车制造商和技术开发者研发过程中明确的安全目标。无论是传统燃油车还是智能驾驶车辆，获得Euro NCAP的高评分都是进入欧洲市场、提升市场竞争力的重要前提。 然而，随着自动驾驶技术的高速发展，测试需求与标准的日益复杂化，自动驾驶研发与测试中所产生的数据日益增加，对逻辑场景与具体场景的需求也逐步攀升，这也就为场景测试带来了 诸多挑战： a）海量的测试数据与场景 自动驾驶测试需要处理极其庞大的场景库和测试数据，如何高效地管理和利用这些数据成为一大难题。 b） 指标分析与数据管理的难度 随着测试指标的逐渐增加，如何对测试结果进行全面、准确的分析，以及如何高效地管理测试数据，都是亟待解决的问题。 c）性能与安全评估方法的效率 自动驾驶系统的性能和安全性评估需要高效快捷的方法，以应对大规模测试的需求。 d）真实场景向仿真场景的转换 为了实现重复测试，需要将真实场景高效地转化为仿真场景，即LogSim到WorldSim的转化。 e）高昂的测试成本 应对上述种种挑战需要投入大量的资源，包括人力、时间和资金。 面对这些挑战， 我们尝试在云端搭建一个模块化的数据管理与场景挖掘平台，并集成Euro NCAP 道路稳健性协议 （包括速度辅助系统、车道支持系统和辅助驾驶），进而实现了 高效场景测试与性能安全评估。 图 3数据管理与场景挖掘概览 三、数据管理与高效分析方法 在自动驾驶测试中，海量的驾驶数据与复杂的场景构建是基础，同时也是挑战。如何高效地管理这些数据，并从中提取出有意义的场景，成为 验证自动驾驶系统性能与安全性 的关键环节。3、4章节将从 数据管理、聚合分析、场景提取与评估技术 以及 场景导出 四个方面， 详细探讨如何高效处理海量数据并挖掘关键场景。 1、数据管理技术：高效处理海量信息 对于场景测试或者以Euro NCAP为代表的性能评估而言，通常会产生大量的驾驶数据，例如 Euro NCAP 2026年新版安全驾驶汽车辅助协议（Safe Driving Vehicle Assistance） 就明确提出部分功能的评估需要满足至少2000公里的测试。 面对海量的驾驶记录与复杂的场景需求，数据管理需要兼顾高效性、灵活性与协作性。对此，我们尝试基于云搭建模块化的数据管理平台，旨在实现驾驶数据的高效处理、评估与检查。 a)驾驶数据摘要与高级查询 通过鼠标单击查看驾驶记录的摘要信息，获取清晰的驾驶数据概览，并采用事件（Event）、操作设计域（ODD）或场景（Scenario）三类标签，以组合的方式快速查询需要的驾驶记录。 图 4快速摘要与高级查询 b)可视化界面与团队协作 基于相机视角、感知还原、GPS轨迹、车辆速度等多维度创建可视化界面，对场景进行深入分析。同时，采取URL分享的方式，实现团队成员之间的高效协作与共同分析数据。 图 5自定义可视化界面 2、聚合分析技术：从海量数据中洞察规律 除了单一场景的快速查询与分析，针对 海量驾驶数据的整体规律分析 同样至关重要。为此，我们使用聚合分析的方法，通过 多级指标（Metrics） 对驾驶数据进行整理、分类和聚类分析，加速发现数据中的潜在规律。 图 6聚合分析 a)多级指标的灵活分析 通过采取感知、行为、舒适度等多级指标进行分析。例如，当想要了解“自动驾驶系统开启状态”、“特定速度区间”、“白天”的违规率，就可以设定对应指标，构建指标矩阵与直方图，随着指标的增加，矩阵与直方图会产生动态变化，得以快速掌握概况以及各个指标下统计出的违规率。 b)一键聚类与场景跳转 聚合分析技术能够基于指标矩阵对驾驶记录进行自动聚类，并支持关键场景的快速跳转。单击矩阵中的特定数值即可直接查看对应的场景列表，并快速跳转到可视化界面，查看场景细节，进行深入分析。 四、场景挖掘、评估与ASAM OpenX场景导出 为了在大量驾驶数据的挑战下 提高场景测试与评估的效率 ，我们基于感知算法从原始驾驶数据中提取出场景，将原有的大量里程与时间浓缩为了一系列特定场景，并结合了 自定义标准与Euro NCAP标准 建立了多种预设评估方式，保障效率与准确性的同时尽可能节省时间与精力。 1、场景提取与评估技术：挖掘关键场景与性能见解 如何从大量的驾驶数中提取有意义的场景并进行性能评估，是自动驾驶测试的重要环节。 我们通过对激光雷达、相机、GPS等原始传感器输入的数据进行感知，从真实或仿真数据中高效挖掘场景，提供多维度的性能与安全见解。 图 7场景挖掘流程示意图 a)自动清除空驶里程 驾驶数据中通常存在大量没有特殊事件发生的空驶里程，占据了大量存储空间但对测试无意义。我们通过设定场景提取的条件，例如自车速度、障碍物速度、自车与障碍物纵向距离等，自动剔除这些“空驶里程”，准确提取出常用场景（如SOTIF、ISO 26262、EuroNCAP等标准规定的场景），进而节省时间成本。 b)性能与安全评估 提取的场景可以基于预设的Euro NCAP或自定义标准进行性能评估。例如，设定最大速度或碰撞时间（TTC）等指标，就可以快速筛选出不符合预期的场景，并通过可视化界面查看详细信息。对于失败的场景，一键点击跳转到数据管理与分析平台，查看感知还原的场景、相机视频、速度等细节进行深度分析。 图 8自定义标准与Euro NCAP标准的场景评估 2、场景导出器：从LogSim到WorldSim的转换 为了推动 仿真测试的便捷化 ，我们基于相机图像、激光雷达点云、GPS定位信息等原始驾驶数据，通过内部的感知算法将其转化为仿真场景，完成了从 LogSim到WorldSim 的高效转换。转化后的仿真场景能够被导出为仿真所需的ASAM标准文件格式（OpenSCENARIO与OpenDrive），实现 数字孪生 。 图 9场景导出器：一键导出与自定义导出 数据输入支持 多种数据格式 （如RosBag、LCM、ADTF等），并可以根据需求 自定义导出场景的时间范围 （最长30秒），导出的场景文件可以直接导入支持标准OpenX格式文件的仿真器（如aiSim5），根据需要进行修改后运行仿真测试。 图 10联动aiSim仿真器的场景仿真示例 五、集成式Euro NCAP道路评估器 为了更快速且可靠地对驾驶系统性能安全进行评估，并帮助在未来 Euro NCAP的安全辅助评估中拿到高评分，数据管理与分析平台（DAP）内将集成Euro NCAP道路评估器（On-road Evaluator） ，获得基于海量驾驶数据的深刻见解。 1、基于Euro NCAP协议的三大评估板块 通过在数据管理与分析平台中 集成Euro NCAP道路评估器 ，可以支持对道路ADAS性能快速提供评估结果，减少评估时间和成本，同时确保严格遵守既定的标准，帮助在评定中获得 更高的星级。 图 11道路评估器三大评估板块 Euro NCAP道路评估器主要针对Euro NCAP 2026协议归纳出三大板块进行评估： a) SAS（Speed Assist System，速度辅助系统） b) LSS（Lane Support System，车道支持系统） c) AD（Assisted Driving，辅助驾驶） 这些板块进一步被 细分为多个功能模块 ，例如AEB（自动紧急制动）、LKA（车道保持辅助）、SLIF（速度限制信息功能）等，覆盖了智能驾驶车辆在不同场景下的关键安全功能。 2、Euro NCAP道路评估器工作流及特点 通过道路评估器可以 快速测试ADAS功能 ，例如SLIF与LKA，并快速评估Euro NCAP KPI，自动生成反馈报告，使得直击问题根源与优化系统性能变为可能，进而在最终评定中得以获得更高的星级。 图 12Euro NCAP道路评估器工作流程 道路评估器的工作流分为以下几个步骤： 1.基于参考传感器硬件设备采集驾驶数据 2.使用 Euro NCAP On-Road Evaluator 进行数据处理 3.基于 ODD 的 Euro NCAP 道路 KPI 评估 4.快速得到 KPI 计算和评分的反馈 通过上述工作流， Euro NCAP道路评估器 便能够做到在完全遵循Euro NCAP中关于SAS、LSS、AD的要求的前提下，基于操作设计域（ODD）对车辆进行快速评估，节省大量时间和资源。 图 13速度限制信息功能示意图（SLIF） 结合DAP的基础功能模块，道路评估器可以实现数据可视化、相机视图、数据管理的定制化功能， 如图13所示，便于深入研究特定的失败事件或异常场景。在此基础上，通过精确的评估算法，道路评估器能够避免代价高昂的返工，最大限度上节省该方面的成本。 六、总结 在自动驾驶技术的研发与测试中，场景测试是验证系统性能与安全性的核心手段 。康谋IVEX方案 通过高效的数据管理、场景挖掘与性能评估技术，解决了海量数据处理、复杂场景构建、高昂测试成本等难题，并 深度耦合Euro NCAP相关协议 ，推动基于真实世界场景的安全评估标准化。 通过 数据驱动 的方式，不仅提升了系统的测试效率，还能够助力智能驾驶车辆在Euro NCAP评定中获得更高评分，加速自动驾驶技术的研发与落地，为行业发展提供重要支撑。

数据隐私与安全 在当今数字化时代占据着举足轻重的地位。在应对数据保护法的复杂要求和网络攻击的威胁时，大多数企业都面临着 重重挑战 ，因此诸多企业对 可靠、可扩展且安全的数据管理解决方案 的需求愈发迫切。 正是在这一背景下，康谋精心打造了 本地匿名化一站式解决方案 ，该方案将 隐私和安全 作为其核心设计原则，旨在助力企业以信心和效率从容应对当今复杂多变的 隐私和安全需求 。 一、本地匿名化解决方案 该解决方案巧妙地利用 Terraform部署技术 ，能够在自有集群中实现灵活的 自动扩展 。无论数据处理需求是在 多个服务器的GPU和CPU上 运行，还是涉及到 复杂的数据架构， 系统都能确保在部署后的 第一时间 进行自动扩展。这一特性不仅确保了数据处理的 高吞吐量 ，而且提供了高效管理 跨多样基础设施 的复杂数据的途径。 二、方案优势 1、隐私与安全保护 本地部署 为处理敏感数据提供了最为 安全且合规 的环境。通过在用户自己的基础设施中 托管匿名化处理过程 ，用户可以全 面掌控数据 ，确保严格遵守最严格的数据保护法规。 无论是需要持续处理小批量数据，还是偶尔处理海量数据，该解决方案都能 迅速响应 ，根据需求 动态扩展 到 数百台GPU和CPU机器 ，或在不必要时 迅速缩减 ，以 有效控制成本 。此外，方案还支持许多平台上的Spot Instance，为灵活资源分配提供更多选择。 2、灵活性与控制力 本地匿名化解决方案与数据管理和处理流程 紧密集成 ，可以提供无与伦比的灵活性。用户可以 自由配置资源 ，并根据需要授予不同业务部门访问权限。 这种 高度独立且动态 的运营模式，助力更加 灵活多变 的数据处理能力，从而满足 不同场景下的需求。 3、离线解决方案 本方案还提供了一种 独特的离线解决方案 ， 无需与外部服务器持续通信 ，这一特性不仅提升了安全性，而且确保在最严格的隐私和合规要求下仍能稳定进行各种操作。比如，即使在网络受限或敏感信息不能外泄的场景下，也能顺利完成数据处理任务。 三、应用案例 本地匿名化解决方案具备 云无关性 ，以应对具备 多样性的客户基础设施 。无论用户的系统托管在亚马逊网络服务（AWS）、谷歌云、阿里云还是 其他任何云平台上 ，本平台都能 无缝集成 ，提供同样卓越的服务和可扩展性。 这种 广泛的兼容性 让用户的数据处理更加灵活便捷， 无需担心因平台限制而影响部署。 本地匿名化解决方案已被 欧洲多个行业领导者 广泛采用，如 CARIAD、大众（VW） 和 德国铁路（Deutsche Bahn） 等。客户们通过使用本地匿名化解决方案，成功地在 短时间内完成了数千小时视频的匿名化处理 ，验证了平台处理 庞大数据集 的卓越能力和高效性。 四、总结 综上所述， 本地匿名化解决方案 为企业的数据管理、安全保障和利用带来了革命性的变化。通过提供 可扩展、安全且高效 的平台，该方案能够确保企业能够全面 遵守数据保护法规 ，同时 提升运营灵活性 ，并优化 运营效率， 为您的业务发展奠定坚实的基础。

数据隐私与安全 在当今数字化时代占据着举足轻重的地位。在应对数据保护法的复杂要求和网络攻击的威胁时，大多数企业都面临着 重重挑战 ，因此诸多企业对 可靠、可扩展且安全的数据管理解决方案 的需求愈发迫切。 正是在这一背景下，康谋精心打造了 本地匿名化一站式解决方案 ，该方案将 隐私和安全 作为其核心设计原则，旨在助力企业以信心和效率从容应对当今复杂多变的 隐私和安全需求 。 一、本地匿名化解决方案 该解决方案巧妙地利用 Terraform部署技术 ，能够在自有集群中实现灵活的 自动扩展 。无论数据处理需求是在 多个服务器的GPU和CPU上 运行，还是涉及到 复杂的数据架构， 系统都能确保在部署后的 第一时间 进行自动扩展。这一特性不仅确保了数据处理的 高吞吐量 ，而且提供了高效管理 跨多样基础设施 的复杂数据的途径。 二、方案优势 1、隐私与安全保护 本地部署 为处理敏感数据提供了最为 安全且合规 的环境。通过在用户自己的基础设施中 托管匿名化处理过程 ，用户可以全 面掌控数据 ，确保严格遵守最严格的数据保护法规。 无论是需要持续处理小批量数据，还是偶尔处理海量数据，该解决方案都能 迅速响应 ，根据需求 动态扩展 到 数百台GPU和CPU机器 ，或在不必要时 迅速缩减 ，以 有效控制成本 。此外，方案还支持许多平台上的Spot Instance，为灵活资源分配提供更多选择。 2、灵活性与控制力 本地匿名化解决方案与数据管理和处理流程 紧密集成 ，可以提供无与伦比的灵活性。用户可以 自由配置资源 ，并根据需要授予不同业务部门访问权限。 这种 高度独立且动态 的运营模式，助力更加 灵活多变 的数据处理能力，从而满足 不同场景下的需求。 3、离线解决方案 本方案还提供了一种 独特的离线解决方案 ， 无需与外部服务器持续通信 ，这一特性不仅提升了安全性，而且确保在最严格的隐私和合规要求下仍能稳定进行各种操作。比如，即使在网络受限或敏感信息不能外泄的场景下，也能顺利完成数据处理任务。 三、应用案例 本地匿名化解决方案具备 云无关性 ，以应对具备 多样性的客户基础设施 。无论用户的系统托管在亚马逊网络服务（AWS）、谷歌云、阿里云还是 其他任何云平台上 ，本平台都能 无缝集成 ，提供同样卓越的服务和可扩展性。 这种 广泛的兼容性 让用户的数据处理更加灵活便捷， 无需担心因平台限制而影响部署。 本地匿名化解决方案已被 欧洲多个行业领导者 广泛采用，如 CARIAD、大众（VW） 和 德国铁路（Deutsche Bahn） 等。客户们通过使用本地匿名化解决方案，成功地在 短时间内完成了数千小时视频的匿名化处理 ，验证了平台处理 庞大数据集 的卓越能力和高效性。 四、总结 综上所述， 本地匿名化解决方案 为企业的数据管理、安全保障和利用带来了革命性的变化。通过提供 可扩展、安全且高效 的平台，该方案能够确保企业能够全面 遵守数据保护法规 ，同时 提升运营灵活性 ，并优化 运营效率， 为您的业务发展奠定坚实的基础。

在科技迅速发展的时代， 保护个人隐私 的需求日益增长， 有效匿名化技术 的重要性不容忽视。无论是针对敏感的图像、视频，还是数据，在 隐私保护与保持视觉完整性 之间取得平衡至关重要。虽然模糊化一直是匿名化的常用选择，但一种更复杂、更强大的方法—— 深度自然匿名化（DNAT） ——已经成为一种更优的替代方案。 1、保留上下文信息 （1）模糊技术的局限： 模糊处理的主要缺点之一是 上下文信息的丢失 。当图像或视频严重模糊时，当图像或视频被严重模糊化时，重要的视觉线索和细节可能会 被扭曲 或 完全不可辨认 。 （2）DNAT的优势： DNAT利用先进的算法， 有选择性地修改 图像或视频中的特定元素，同时保留整体上下文。例如，通过 brighter AI的DNAT 技术在匿名化人脸时，公司可以 保留关键属性 ，如年龄、情感、视线方向、种族和年龄信息。这确保了匿名化内容仍然具有可理解性，并保持其 原始的视觉完整性 。 2、真实且美观的效果 （1）模糊技术的局限 ：模糊化通常会导致 粗糙且不自然的外观 ，从而影响内容的理解和用户体验。 （2）DNAT的优势： DNAT借助深度学习技术，能够生成更加 真实且美观 的匿名化内容。通过分析原始数据并在大型数据集上进行训练，该算法学会模拟图像或视频中的自然变化，生成的匿名化结果能够 与周围环境无缝融合 。这种真实性的效果确保了匿名化内容 不会具有误导性 。 3、增强隐私保护 （1）模糊技术的局限： 尽管模糊化可以提供基本的隐私保护，但面对先进的图像还原技术可能并不足够。有经验的人员 可以使用去模糊算法或其他工具逆向处理，恢复敏感信息。 （2） DNAT的优势： DNAT显著提高了逆向匿名化的难度。通过以更复杂和细致的方式处理内容，深度学习模型提供了更高水平的隐私保护，确保 原始信息无法轻易恢复。 4、可扩展性和自动化 （1）模糊技术的局限： 模糊化处理可能是一个 耗时的过程 ，特别是在处理大型数据集时。为视频的每一帧或多张图像逐一应用和调整模糊效果所需的手动操作 既繁琐又不切实际。 （2）DNAT的优势： DNAT则可以实现这一过程的 自动化 。一旦模型完成训练，它便能够 高效地匿名化海量数据 ，使其在需要大规模匿名化的场景中更具 可扩展性和成本效益 。 5、适应性和可定制性 （1）模糊技术的局限性： 模糊化技术通常会对整个图像或视频应用统一程度的匿名化 ，而不考虑具体的隐私需求。 （2）DNAT的优势： DNAT则提供了更高的适应性和可定制性。模型可以根据不同的隐私需求进行微调，从而实现对图像或视频中特定区域或对象的 选择性匿名化。 这种灵活性使得匿名化过程能够得到精确控制，并确保隐私问题得到有效解决。 6、展望未来 （1）模糊技术的局限性： 模糊化会删除数据，在需求出现时仅能 提供极少可用数据。 （2）DNAT的优势： 由于能够保留语义分割，DNAT通常是公司选择的匿名化技术，这使其成为 适合驾驶分析和机器学习 的匿名化方法。因此，它已成为依赖分析和机器学习的企业选择 的匿名化解决方案 。我们坚信未来准备的重要性，并优先选择DNAT而非其他匿名化技术。