基于神经常微分方程的对抗鲁棒原型少样本分割
计算机视觉与模式识别
2022-10-10 v1
摘要
少样本学习（FSL）方法正被应用于数据不充裕的场景，这在标注获取昂贵的医疗领域尤为明显。深度神经网络已被证明易受对抗攻击，而在 FSL 中由于缺少大量训练样本此问题更为严重。本文中，我们提供一种框架，使医疗领域的少样本分割模型具备对抗鲁棒性，此类攻击会严重影响使用模型的临床医生的决策。我们提出一种新颖的鲁棒少样本分割框架——原型神经常微分方程（PNODE），可防御基于梯度的对抗攻击。我们表明，相较对抗训练等传统对抗防御机制，我们的框架更鲁棒。对抗训练会增加训练时间，且根据训练中所见对抗样本类型仅对有限攻击类型表现鲁棒。我们提出的框架能很好地泛化至 FGSM、PGD 和 SMIA 等常见对抗攻击，同时模型参数量与现有少样本分割模型相当。我们在三个公开多器官分割数据集上，于域内和跨域设定下通过攻击支持集与查询集，无需专门对抗训练即展示了所提方法的有效性。
引用
@article{arxiv.2210.03429,
title = {Adversarially Robust Prototypical Few-shot Segmentation with Neural-ODEs},
author = {Prashant Pandey and Aleti Vardhan and Mustafa Chasmai and Tanuj Sur and Brejesh Lall},
journal= {arXiv preprint arXiv:2210.03429},
year = {2022}
}
备注
MICCAI 2022. arXiv admin note: substantial text overlap with arXiv:2208.12428