基于深度学习的燃烧图像细分的对抗性攻击和对抗性训练
Luying Chen1, Jiakai Liang1, Chao Wang1
1Zhejiang Integrated Circuits and Intelligent Hardware Collaborative Innovation Center, Hangzhou Dianzi University, Hangzhou, 317300, China.
Medical & biological engineering & computing
|May 1, 2024
概括
这项研究引入了一种新的对抗式训练方法,以改进燃烧图像细分的深度学习模型,提高对自然主义干扰的准确性并减少训练时间.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习模型容易受到对抗性攻击,特别是在医学图像细分方面.
- 医疗图像通常含有由于成像条件造成的噪音,影响模型性能.
- 现有的对抗性训练方法可能无法完全解决烧伤图像中具有物理意义的干扰.
研究的目的:
- 为燃烧图像细分提出一个对抗性训练方法,模拟自然现象启发的攻击.
- 提高深度学习模型在分段烧伤图像中的稳定性和准确性.
- 为了降低与对抗训练相关的计算成本.
主要方法:
- 模拟的敌对攻击灵感来自自然现象.
- 开发了一种专门的对抗性训练方法,用于燃烧图像细分.
- 在专门的燃烧图像数据集上测试了该方法.
- 进行了废弃实验,以验证单个损失组件.
主要成果:
- 实现了对抗样本的82.19%的细分精度,比最初的54%有所增加.
- 与传统的对抗训练方法相比,证明了1.97%的改进.
- 与标准方法相比,训练时间显著减少.
- 验证了拟议损失的有效性,并比较了不同对抗样本的性能.
结论:
- 拟议的对抗式培训方法有效地提高了用于燃烧图像细分的深度学习模型性能.
- 该方法增强了对自然主义图像干扰的稳定性,同时在计算上是高效的.
- 这种技术在具有挑战性的条件下为可靠的医学图像分析提供了有希望的方向.
