Jul, 2023

用于鲁棒性体积医学分割的频域对抗训练

PDF
TL;DR本研究提出了一种基于 3D 频率域的对抗攻击方法，以提高深度学习模型在医疗图像分割中的鲁棒性，并通过引入频域一致性损失来实现模型的性能和鲁棒性的平衡。
deep learning modelsmedical image segmentationadversarial attacksfrequency domainrobust model
发现论文，激发创造
  • 评估体积医学分割模型的对抗鲁棒性

    通过对现有的卷积、变压器和曼巴模型进行实证研究，我们观察到基于变压器的模型表现出较高的鲁棒性，而基于卷积和曼巴的模型则表现出较低的鲁棒性。此外，我们还发现大规模训练对于提升体积分割模型的鲁棒性具有积极作用。

    Jun, 2024

  • 基于课程的增强 Fourier 领域自适应方法用于稳健的医学图像分割

    本文提出了一种基于课程学习策略和链式数据增强的傅里叶域自适应方法，用于解决医学图像分割模型在不同域之间性能下降的问题。实验证明该方法在多个任务中表现出显著的自适应和泛化性能。

    Jun, 2023

  • 频率正则化提高对抗鲁棒性

    本研究在深度神经网络安全领域提出了一种方法，即通过频率正则化和随机权重平均方法，提高 Adversarial Training 的鲁棒性，实现对 PGD-20、C&W、Autoattack 等方式的攻击具有更加强大的抵抗能力。

    Dec, 2022

  • 医学图像分割所需的对抗强度攻击的域泛化

    本文提出一种名为 Adversarial Intensity Attack (AdverIN) 的与领域无关的方法，通过对抗性训练生成具有无限风格的训练数据，以增加数据多样性并提高分割模型的泛化能力，尤其适用于医学图像领域的多域分割数据集。

    Apr, 2023

  • FDA: 用于语义分割的傅里叶域自适应

    本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

    Apr, 2020

  • 探索基于频率对抗性攻击的人脸造假检测

    本文提出了一种基于离散余弦变换（DCT）的频率对抗攻击方法，以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域，我们的方法比空间域中的现有对抗攻击更为难以察觉，并且不会降低原始图像的视觉质量。在实验中，我们发现该方法有效地欺骗了空间域和最先进的频率域检测器，并增强了面部伪造检测器之间的可靠性。

    Mar, 2022

  • 利用频域学习进行三维血管分割

    冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

    Jan, 2024

  • 用对抗训练和扩张卷积进行脑部 MRI 分割

    本文介绍了使用对抗训练方法改进卷积神经网络在 MRI 分割中的应用，结果表明该方法能够显着提高 MRI 分割的性能。

    Jul, 2017

  • 对抗攻击的频域模型增强

    本文提出了一种新的频域模拟攻击方法，通过将频域变换应用于输入，从而实现模型扩充，旨在打造更易传递的对抗样本，结果表明这种方法对攻击 9 个最先进防御模型具有较高的成功率。

    Jul, 2022

  • 在空间频域中评估对抗鲁棒性

    CNN 模型易受到对抗攻击的脆弱性为安全关键应用的部署带来了担忧，本研究通过在频域中构建空间频率图层来探讨 CNN 模型的脆弱性，通过广泛的实验观察到空间频率 CNN 模型在白盒和黑盒攻击下比常规 CNN 模型更加稳健，此外，发现低频成分对空间频率 CNN 模型的鲁棒性有重大贡献，这些发现将有助于未来设计更加鲁棒的 CNN 模型。

    May, 2024