对抗攻击驱动的数据增强用于准确且鲁棒的医学图像分割
图像与视频处理
2021-05-26 v1 计算机视觉与模式识别
摘要
分割被认为是医学图像分析中一项非常关键的任务。自深度学习模型以其高性能表现占据主导以来，该任务变得更加容易。然而，深度学习模型对大数据的依赖在医学图像分析中成为障碍，因为数据样本不足。已有若干数据增强技术被用于缓解此问题。我们提出一种新的增强方法，引入对抗学习攻击技术，具体为快速梯度符号法（FGSM）。此外，我们还引入了逆 FGSM（InvFGSM）的概念，其以与 FGSM 相反的方式作用于数据增强。这两种方法协同工作，提高了分割精度，并帮助模型获得对抗对抗攻击的鲁棒性。实验的整体分析表明了对抗机器学习的全新应用以及鲁棒性的增强。
引用
@article{arxiv.2105.12106,
title = {Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation},
author = {Mst. Tasnim Pervin and Linmi Tao and Aminul Huq and Zuoxiang He and Li Huo},
journal= {arXiv preprint arXiv:2105.12106},
year = {2021}
}