MIRST-DM：用于乳腺癌鲁棒分类的多实例 RST 与 Drop-Max 层
图像与视频处理
2022-05-05 v1 计算机视觉与模式识别
摘要
鲁棒自训练（RST）能够增强图像分类模型的对抗鲁棒性，且不会显著牺牲模型的泛化能力。然而，RST 及其他最先进的防御方法未能在小规模医学图像集上保持泛化能力并复现其良好的对抗鲁棒性。本工作中，我们提出带 drop-max 层的多实例 RST，即 MIRST-DM，其在训练过程中引入一系列迭代生成的对抗实例，以在小数据集上学习更平滑的决策边界。所提出的 drop-max 层剔除了不稳定特征，并有助于学习对图像扰动鲁棒的表征。所提方法使用一个含 1,190 张图像的小型乳腺超声数据集进行了验证。结果表明，该方法针对三种主流攻击实现了最先进的对抗鲁棒性。
引用
@article{arxiv.2205.01674,
title = {MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust Classification of Breast Cancer},
author = {Shoukun Sun and Min Xian and Aleksandar Vakanski and Hossny Ghanem},
journal= {arXiv preprint arXiv:2205.01674},
year = {2022}
}
备注
10 pages