模糊唯一图像变换：针对深度 COVID-19 模型的对抗攻击防御
图像与视频处理
2020-09-10 v1 计算机视觉与模式识别
机器学习
摘要
利用在胸部 X 光和 CT 图像上训练的深度模型早期识别 COVID-19，已引起研究人员的相当关注，以加快活动性 COVID-19 病例的识别过程。这些深度模型可作为缺乏专科医生或放射科医生的医院（尤其在偏远地区）的辅助手段。已有多种深度模型被提出用于检测 COVID-19 病例，但鲜有工作致力于防止深度模型受到能够通过图像像素微小扰动欺骗深度模型的对抗攻击。本文评估了深度 COVID-19 模型在对抗攻击下的性能，并提出了一种高效且有效的模糊唯一图像变换（FUIT）技术，将图像像素下采样至一个区间内。经 FUIT 变换后所得图像进一步用于训练安全深度模型，该模型在保持 COVID-19 病例诊断高精度的同时，提供针对对抗攻击的可靠防御。实验与结果表明，所提模型可防止深度模型受到六种对抗攻击，并在胸部 X 光图像和 CT 图像数据集上保持对 COVID-19 病例分类的高精度。结果还建议，在将深度模型实际应用于诊断 COVID-19 病例之前，需进行审慎检查。
引用
@article{arxiv.2009.04004,
title = {Fuzzy Unique Image Transformation: Defense Against Adversarial Attacks On Deep COVID-19 Models},
author = {Achyut Mani Tripathi and Ashish Mishra},
journal= {arXiv preprint arXiv:2009.04004},
year = {2020}
}