医学图像分类中的动态扰动自适应对抗训练
图像与视频处理
2024-03-12 v1 计算机视觉与模式识别
机器学习
摘要
近年来，医学图像分类 (MIC) 取得了显著成功，主要归功于卷积神经网络 (CNNs) 的广泛应用。然而，对抗样本 (AEs) 表现出与原始数据难以察觉的相似性，引发了对网络鲁棒性的严重担忧。尽管对抗训练 (AT) 作为应对恶意 AEs 的有效方法被公认为能提高鲁棒性，但克服 AT 引起的网络泛化能力下降仍具挑战性。在本文中，为了在提高鲁棒性的同时保持高泛化能力，我们提出了一种动态扰动自适应对抗训练 (DPAAT) 方法。该方法将 AT 置于动态学习环境中，以生成自适应的数据级扰动，并通过损失信息集合提供动态更新的标准，以处理传统 AT 方法中固定扰动大小的缺点以及对外部迁移的依赖。在皮肤科 HAM10000 数据集上的综合测试表明，DPAAT 不仅在各种 CNN 上实现了更好的鲁棒性提升和泛化保持，还显著提高了平均精度均值 (mean average precision) 和可解释性，表明其作为 MIC 通用对抗训练方法的巨大潜力。
引用
@article{arxiv.2403.06798,
title = {Dynamic Perturbation-Adaptive Adversarial Training on Medical Image Classification},
author = {Shuai Li and Xiaoguang Ma and Shancheng Jiang and Lu Meng},
journal= {arXiv preprint arXiv:2403.06798},
year = {2024}
}
备注
9 pages, 4 figures, 2 tables