面向鲁棒医学图像分析的深度神经网络分布外检测与对抗攻击
计算机视觉与模式识别
2021-07-19 v1 机器学习
图像与视频处理
摘要
深度学习模型已成为医学图像分析的热门选择。然而，深度学习模型较差的泛化性能限制了其在现实世界中的部署，因为鲁棒性对医学应用至关重要。例如，最先进的卷积神经网络（CNNs）无法检测对抗样本或从训练分布统计上远离的样本。本工作中，我们通过实验评估了基于Mahalanobis距离的置信度评分（一种简单而有效的异常输入样本检测方法）在疟疾寄生细胞与未感染细胞分类中的鲁棒性。结果表明，Mahalanobis置信度评分检测器提升了深度学习模型的性能与鲁棒性，并在分布外（OOD）样本与对抗样本上均达到了最先进性能。
引用
@article{arxiv.2107.04882,
title = {Out of Distribution Detection and Adversarial Attacks on Deep Neural Networks for Robust Medical Image Analysis},
author = {Anisie Uwimana1 and Ransalu Senanayake},
journal= {arXiv preprint arXiv:2107.04882},
year = {2021}
}