医学影像中分割模型对抗扰动的鲁棒化防御
图像与视频处理
2020-09-24 v1 计算机视觉与模式识别
摘要
本文提出了一种新颖且高效的针对医学影像中分割模型对抗攻击的防御框架。与已被广泛研究的分类模型对抗攻击的防御方法相反，针对分割模型的此类防御方法较少被探索。我们提出的方法可用于任何深度学习模型而无需修改目标深度学习模型，并且可独立于对抗攻击。我们的框架由一个频域转换器、一个检测器和一个重整器组成。频域转换器通过利用图像的帧域帮助检测器检测对抗样本。重整器帮助目标模型更精确地预测。我们通过实验经验性地表明，与现有防御方法相比，我们提出的方法具有更好的性能。
引用
@article{arxiv.2009.11090,
title = {Robustification of Segmentation Models Against Adversarial Perturbations In Medical Imaging},
author = {Hanwool Park and Amirhossein Bayat and Mohammad Sabokrou and Jan S. Kirschke and Bjoern H. Menze},
journal= {arXiv preprint arXiv:2009.11090},
year = {2020}
}