論文の概要: Fuzzy Unique Image Transformation: Defense Against Adversarial Attacks On Deep COVID-19 Models

• arxiv url: http://arxiv.org/abs/2009.04004v1
• Date: Tue, 8 Sep 2020 21:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 21:03:03.126461
• Title: Fuzzy Unique Image Transformation: Defense Against Adversarial Attacks On Deep COVID-19 Models
• Title（参考訳）: ファジィユニークな画像変換:深部covid-19モデルの敵対的攻撃に対する防御
• Authors: Achyut Mani Tripathi, Ashish Mishra
• Abstract要約: 新型コロナウイルス(COVID-19)の感染者を検出するために深層モデルが提案されているが、敵からの攻撃を防ぐために深層モデルが実行された例は少ない。 本報告では、対人攻撃に対する深層COVID-19モデルの性能評価について述べる。
• 参考スコア（独自算出の注目度）: 3.42658286826597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early identification of COVID-19 using a deep model trained on Chest X-Ray and CT images has gained considerable attention from researchers to speed up the process of identification of active COVID-19 cases. These deep models act as an aid to hospitals that suffer from the unavailability of specialists or radiologists, specifically in remote areas. Various deep models have been proposed to detect the COVID-19 cases, but few works have been performed to prevent the deep models against adversarial attacks capable of fooling the deep model by using a small perturbation in image pixels. This paper presents an evaluation of the performance of deep COVID-19 models against adversarial attacks. Also, it proposes an efficient yet effective Fuzzy Unique Image Transformation (FUIT) technique that downsamples the image pixels into an interval. The images obtained after the FUIT transformation are further utilized for training the secure deep model that preserves high accuracy of the diagnosis of COVID-19 cases and provides reliable defense against the adversarial attacks. The experiments and results show the proposed model prevents the deep model against the six adversarial attacks and maintains high accuracy to classify the COVID-19 cases from the Chest X-Ray image and CT image Datasets. The results also recommend that a careful inspection is required before practically applying the deep models to diagnose the COVID-19 cases.
• Abstract（参考訳）: 胸部x線とct画像で訓練された深層モデルを用いた新型コロナウイルスの早期診断は、新型コロナウイルスの活発な感染状況の特定を早めるために研究者から注目されている。 これらの深層モデルは、特に遠隔地における専門医や放射線技師の役に立たない病院の支援として機能する。 新型ウイルスの検出には様々な深層モデルが提案されているが、画像ピクセルの小さな摂動を利用して深層モデルが深層モデルを騙すことができる敵攻撃に対する深層モデルを防止するための研究はほとんど行われていない。 本報告では、対人攻撃に対する深層COVID-19モデルの性能評価について述べる。 また、画像画素を区間的にダウンサンプリングする効率的かつ効果的なファジィ一意画像変換(fuit)手法を提案する。 FUIT変換後の画像はさらに、新型コロナウイルスの診断精度を高く保ち、敵の攻撃に対する信頼性の高い防御を提供するセキュアな深層モデルの訓練に利用される。 実験と結果から,提案モデルは6つの敵攻撃に対する深層モデルを防止するとともに,胸部x線画像とct画像データセットからcovid-19症例を分類する精度を維持していることが示された。 また, 深層モデルを用いて新型コロナウイルスの診断を行うには, 注意深い検査が必要であることも示唆した。

関連論文リスト

• A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
  我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。 この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。 VGG-16は4つの計画の中で99.17%の精度を達成した。
  論文  参考訳（メタデータ） (2024-11-10T09:09:41Z)
• Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection [0.24578723416255752]
  本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。 画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。 最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
  論文  参考訳（メタデータ） (2023-09-22T06:09:48Z)
• A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
  本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。 提案したモデルは0.927の総合精度と0.958の感度を得た。
  論文  参考訳（メタデータ） (2022-06-15T18:35:22Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Screening COVID-19 Based on CT/CXR Images & Building a Publicly Available CT-scan Dataset of COVID-19 [6.142272540492935]
  本研究は、1000人以上からなる13k以上のCT画像で構成され、新型コロナウイルスに感染した500人の患者から8kの画像を撮影する大規模なCTスキャンデータセットを構築した。 提案するCTデータセットを用いて,COVID-19をスクリーニングする深層学習モデルを提案し,その結果を報告する。 最後に、トランスファーラーニング手法を用いてCXR画像からCOVID-19をスクリーニングするCTモデルを拡張した。
  論文  参考訳（メタデータ） (2020-12-28T11:52:33Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks [4.294650528226683]
  新型コロナウイルスは肺炎に似た呼吸器症候群である。 科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。 本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-23T10:24:34Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。