基于多策略人脸匿名化与联邦学习的隐私保护表情识别系统

用CREMA-D真实视频数据，把高斯模糊、像素化、训练演员原型融合三种人脸匿名化策略接入联邦学习(FedAvg/FedProx)表情识别系统，用单向KL一致性约束提升跨匿名策略鲁棒性，并用ArcFace做身份重识别隐私审计验证匿名化真实降低了泄漏风险。带注释代码、技术文档、面试问答文档和整套配图，适合课程设计、保研科研项目。

• 任务类型深度学习-计算机视觉
• 专业方向计算机 · 人工智能 · 信息安全

项目亮点

• 能解释“身份隐私”和“表情效用”之间的权衡；
• 能实现 MobileNetV3-Small 视频表情识别、FedAvg 和 FedProx；
• 能理解同一视频经不同匿名化策略后产生的域偏移；
• 能用单向 KL 一致性约束提高跨匿名策略鲁棒性；

如果你正在找一个能写进简历、面试时又能讲清楚的隐私+深度学习项目，这个「让AI认出表情但认不出是谁」的题目会很合适——它把人脸隐私保护和联邦学习、表情识别真刀真枪地接在了一起，还专门验证了"匿名化到底有没有真的保护隐私"。

配套都给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释的代码，一份技术文档，一份把面试问题连答案都写好的问答文档，还有一整套可以直接拿去做 PPT 的配图。

先说清楚，它到底在做什么

做视频表情识别，原始人脸数据本身就是敏感信息——直接拿去训练模型有隐私风险。这个项目的做法是：先用高斯模糊、像素化、"原型融合"（用训练演员的平均脸底色替换身份轮廓、同时保留表情相关的细节残差，是确定性图像处理，不是神经网络换脸）三种策略对人脸做处理，再在联邦学习框架下训练表情识别模型——原始视频始终留在各个客户端本地，只有模型更新会被聚合。

搞懂它，你能在面试里讲清楚什么

这才是这个项目对你最大的价值。把下面几件事吃透，面试官问到相关问题时，你都能从容答上来。

为什么要用单向KL一致性约束，而不是直接分别训练。 项目让同一段视频经两种不同的匿名化算子各生成一路视图，用共享编码器分别输出teacher和student两路logits，teacher分支停梯度，只让student向teacher的分布靠拢，且每个batch重新抽样谁当teacher、谁当student。这样能逼着模型学到"不管脸被怎么处理，表情语义应该是一致的"，而不是死记某一种匿名化算子的伪影。

怎么用ArcFace审计证明匿名化真的降低了隐私风险，而不是自说自话。 这是这个项目最加分的一点：项目没有止步于"做了匿名化"，而是专门找了一个人脸识别模型（ArcFace）去尝试重新识别匿名化后的身份，衡量真实的重识别准确率。结果原始视频的重识别准确率高达92.3%，而原型融合能把这个数字压到30.8%，非常接近随机猜测水平。

怎么诚实地讲清楚这个方法的改进幅度有多大、能不能说"显著"。 项目对比了10种训练方案在混合匿名化测试集上的表现，FedAnonFER单向KL相对多策略交叉熵基线提升了0.0183，方向是对的，但只有3个随机种子，配对检验没有达到统计显著，项目也如实只说"方向性改善"而不吹成"显著更优"。这种分寸感，恰恰是很多同类项目会回避的地方。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么单向KL而不是对称的JS散度做一致性约束？
• "原型融合"和真正的AI换脸有什么本质区别？
• 重识别准确率降到30.8%，能不能说这个方法做到了"完全匿名"？

看到这几个是不是会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种面试可能追问的点——连参考答案都给你写好了。

另外还有现成的简历描述，照着改就能写进简历；那一整套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。你要做的不是背，而是理解，再用自己的话讲一遍。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从小白预备知识一直讲到答辩问答，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"，面试被追问细节时也答得上来：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是准备本科课程设计、保研科研项目，还是想在简历上体现"隐私保护+联邦学习+计算机视觉"的交叉能力，这个项目都接得住。项目本身也做了从小白到进阶的学习路线设计，即使目前只学过基础的图像分类，也能按顺序逐步搞懂它。把资料真正吃透、能讲出来，就是一个能写进简历、撑得起面试的项目。