本文提出了一种有效的隐私保护学习范式,通过对图像进行加密以实现人类不可察觉机器可识别,将这一方法应用于图像分类和目标检测,在 ImageNet 和 COCO 数据集上实验结果表明,这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。
Jun, 2023
本文提出了基于 MixMix 的两个简单而有效的技术来解决深度学习研究中面临的用户数据机密保护和模型压缩的问题,同时证明了理论和实验的有效性,比现有的无数据压缩方法在量化、知识蒸馏和剪枝等主流压缩任务上取得了更好的表现。
Nov, 2020
本文介绍了一种针对模型反演攻击的自适应混合遮蔽算法,通过在频域中使用自适应 MixUp 策略对人脸图像进行遮蔽,较传统方法获得更好的隐私保护和识别准确性。
Mar, 2024
本文提出了一种适用于二维外科图像分割的跨域适应解决方案,明确考虑不同中心分布式数据集的隐私保护问题,通过构建客户端 - 服务器深度联邦架构,利用不变的参数和区分不同域的客户端特定参数实现了解决数据共享难题并取得了更好的实验结果。
提出了一种名为 PCLMix 的新型弱监督医学图像分割框架,通过引入动态混合增强、像素级对比学习和一致性正则化策略,解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战,并成功缩小了弱监督和全监督分割方法之间的差距。
May, 2024
本文提出了一种新颖的正则化策略,包括基于插值的混合策略,以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性,且不需要额外的计算。
Feb, 2022
通过生成可被人类感知的图像,本研究在保护模型准确推断的同时,回避其他类似或不同目标的非授权黑盒模型,以实现实际的隐私保护。
Feb, 2024
本文提出了两种数据增强方法:KeepMask 和 KeepMix,用于医学图像分割的深度学习,可以更好地识别器官边界,实现更高精度的分割,并在 CHAOS 数据集和 MSD 脾数据集上分别比基线方法提高了 3.04%和 5.25%的 Dice 系数。
Apr, 2023
LesionMix 是一种新颖而简单的病变感知数据增强方法,在病变层面上进行增强,增加病变的形状、位置、强度和负载分布的多样性,并允许进行病变填充和修复,在多种模态和病变数据集上表现出有希望的病变图像分割性能,优于几种最近的基于混合的数据增强方法。
Aug, 2023
本文研究采用差分隐私技术以保护病人数据在联邦学习架构中的隐私泄露问题。在对 BraTS 数据集上的脑瘤分割进行实验后,我们发现隐私保护代价与模型性能之间存在权衡。
Oct, 2019