非局部上下文编码器：面向对抗攻击的鲁棒生物医学图像分割
计算机视觉与模式识别
2019-04-30 v1 图像与视频处理
摘要
近期基于深度卷积神经网络（CNNs）的生物医学图像分割进展引起了广泛关注。然而，其对对抗样本的脆弱性不可忽视。本文首次发现所有基于CNN的最先进生物医学图像分割模型都对对抗扰动敏感。这限制了这些方法在安全关键型生物医学领域的部署。在本文中，我们发现生物医学图像中的全局空间依赖和全局上下文信息可被用于防御对抗攻击。为此，提出非局部上下文编码器（NLCE）来建模短程和长程空间依赖，并通过通道注意力编码全局上下文以增强特征激活。NLCE模块增强了非局部上下文编码网络（NLCEN）的鲁棒性和准确性，该网络利用NLCE模块学习鲁棒的增强金字塔特征表示，进而整合不同层级的信息。在肺和皮肤病变分割数据集上的实验表明，NLCEN在对抗攻击下优于任何其他最先进的生物医学图像分割方法。此外，NLCE模块可应用于提升其他基于CNN的生物医学图像分割方法的鲁棒性。
引用
@article{arxiv.1904.12181,
title = {Non-Local Context Encoder: Robust Biomedical Image Segmentation against Adversarial Attacks},
author = {Xiang He and Sibei Yang and Guanbin Li? and Haofeng Li and Huiyou Chang and Yizhou Yu},
journal= {arXiv preprint arXiv:1904.12181},
year = {2019}
}
备注
Accepted by AAAI2019 as oral presentation