Jun, 2024

对 CT 图像退化进行的黑盒模型鲁棒性测试：基于测试时增强的方法

PDF
TL;DR通过模型架构和数据预处理对多个常用分割和目标检测方法在模拟 CT 成像伪影和退化情况下的鲁棒性进行了测试，并考虑了通过模拟扫描仪老化或成像协议变化引起的图像质量的未来变化对深度学习模型的临床应用的可持续性的影响。
deep learning modelsmedical image segmentationobject detectionrobustness testingct image quality
发现论文，激发创造
  • 深度神经网络对数字病理学中常见损伤的健壮性基准测试

    本文为评估深度神经网络在受损病理图像上的表现建立了易于使用的基准，发现了多种深度神经网络模型存在显著的精度下降和不可靠的置信度评估，并提出了一种用于将验证集替换为该基准集的新方法。

    Jun, 2022

  • 通过适应和增强检测时间鲁棒性

    本文提出了一种简单的方法，在没有模型训练过程的任何假设的情况下，通过在测试数据点上执行不同的数据增强并通过最小化平均输出分布的熵来适应模型参数，从而提高模型的鲁棒性。该方法在多个基准测试中都表现出色，并在 ImageNet-C、ImageNet-R 和 ImageNet-A 分布偏移基准测试中实现了最先进的结果。

    Oct, 2021

  • 医学图像分类中的鲁棒性压力测试

    通过深度神经网络对基于图像的疾病检测进行研究并进行临床验证，通过应力测试评估模型的稳健性和亚组性能差异，发现某些模型能够产生更稳健和公正的性能，并且预训练特征对下游稳健性起重要作用，强调应力测试在图像疾病检测模型的临床验证中应成为标准实践。

    Aug, 2023

  • 对语义分割模型鲁棒性的基准测试

    本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

    Aug, 2019

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023

  • 基于扩散模型的测试时间图像适应性用于鲁棒皮肤病变分类

    我们提出了一种测试时间图像适应方法，通过同时更新和预测测试图像来提高模型在测试数据上的准确性，通过扩散模型将目标测试图像反投影到源域，设计结构指导模块通过低通滤波添加细化操作，用于正则化扩散以保留结构信息，并引入自整合方案自动调整对适应和未适应输入的依赖关系，增强适应鲁棒性。在我们构建的 ISIC2019-C 和 Dermnet-C 损坏鲁棒性评估基准上进行的大量实验表明，我们的方法在各种损坏、体系结构和数据区域上使分类器更加鲁棒。我们的数据集和代码将在 https://github.com/minghu0830/Skin-TTA_Diffusion 上提供。

    May, 2024

  • 一种差分测试框架用于评估图像识别模型的鲁棒性

    本文提出了一种差分测试框架，该框架可对多种计算环境参数进行深度学习模型变量生成、执行、差分分析和测试，对三种热门图像识别模型使用 ImageNet 数据集进行鲁棒性分析，评估了更改深度学习框架、编译器优化和硬件设备的影响。

    Jun, 2023

  • 放射治疗深度学习分割模型实时监测的质量保证框架

    本文利用心脏亚结构分割任务为例，建立了一个深度学习模型质量保证框架，其中通过使用训练自动编码器（DAE）和两个手工设计的特征来开发图像域移位检测器，再利用提取的特征训练回归模型来预测患者关键数据的分割精度，并成功测试了该框架。

    May, 2023

  • 在目标检测中进行鲁棒性基准测试：自动驾驶应对冬日来临

    该论文提供了一个易于使用的基准来评估深度学习模型在图像质量下降的情况下完成目标检测的能力，并通过数据增强方法，即对训练图像进行艺术风格化处理，有效提高了模型鲁棒性。

    Jul, 2019

  • 从攻击到防御：对黑箱设置中的深度学习安全措施的洞察

    深度学习模型对抗攻击和防御的鲁棒性的综合实验研究表明，模型复杂度和鲁棒性之间存在显著关系，并且应用防御策略可以显著减少攻击效果。

    May, 2024