S-E Pipeline: 基于视觉转换器 (ViT) 的抗对抗攻击医学影像鲁棒分类管道
计算机视觉与模式识别
2024-07-26 v1 机器学习
摘要
视觉转换器 (ViT) 因其稳健的自注意力机制，正变得越来越受欢迎，用于自动化医学影像中准确疾病诊断。然而，ViT 仍然容易受到对抗性攻击的威胁，这些攻击可能通过导致对关键疾病的错误分类来破坏诊断过程。本文提出了一种新颖的图像分类管道，称为 S-E Pipeline，该管道经过多项预处理步骤，使 ViT 能够在训练关键特征方面发挥作用，从而减少对抗性扰动输入的影响。我们的方法结合了分割和图像增强技术，如对比度受限自适应直方图均衡化 (CLAHE)、无锐化掩模 (UM) 和高频强化滤波 (HFE)，作为预处理步骤，以识别即使在对抗性扰动后仍然完整的关键特征。实验研究表明，我们的新型管道通过 ViT-b32 模型将对抗性攻击效果降低 72.22%，通过 ViT-l32 模型将效果降低 86.58%。此外，我们展示了该提议方法在 NVIDIA Jetson Orin Nano 开发板上的端到端部署，以证明其在资源受限的现代便携式设备中的实际应用场景。
引用
@article{arxiv.2407.17587,
title = {S-E Pipeline: A Vision Transformer (ViT) based Resilient Classification Pipeline for Medical Imaging Against Adversarial Attacks},
author = {Neha A S and Vivek Chaturvedi and Muhammad Shafique},
journal= {arXiv preprint arXiv:2407.17587},
year = {2024}
}