論文の概要: Adversarial Exposure Attack on Diabetic Retinopathy Imagery
- arxiv url: http://arxiv.org/abs/2009.09231v1
- Date: Sat, 19 Sep 2020 13:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 21:28:30.453999
- Title: Adversarial Exposure Attack on Diabetic Retinopathy Imagery
- Title(参考訳): 糖尿病網膜症画像における対側曝露攻撃
- Authors: Yupeng Cheng, Felix Juefei-Xu, Qing Guo, Huazhu Fu, Xiaofei Xie,
Shang-Wei Lin, Weisi Lin, Yang Liu
- Abstract要約: 糖尿病網膜症(DR)は、世界でも主要な視覚喪失の原因であり、多くの最先端の研究が強力なディープニューラルネットワーク(DNN)を構築し、網膜基底画像(RFI)を介してDR症例を自動的に分類している。
RFIは通常、広く存在するカメラ露光の影響を受け、DNNの露光に対する堅牢性は滅多に調査されない。
本稿では, 対角攻撃の観点からこの問題を考察し, 全く新しいタスク, すなわち, 対向画像を生成する対向露光攻撃を同定する。
- 参考スコア(独自算出の注目度): 69.90046859398014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetic retinopathy (DR) is a leading cause of vision loss in the world and
numerous cutting-edge works have built powerful deep neural networks (DNNs) to
automatically classify the DR cases via the retinal fundus images (RFIs).
However, RFIs are usually affected by the widely existing camera exposure while
the robustness of DNNs to the exposure is rarely explored. In this paper, we
study this problem from the viewpoint of adversarial attack and identify a
totally new task, i.e., adversarial exposure attack generating adversarial
images by tuning image exposure to mislead the DNNs with significantly high
transferability. To this end, we first implement a straightforward method,
i.e., multiplicative-perturbation-based exposure attack, and reveal the big
challenges of this new task. Then, to make the adversarial image naturalness,
we propose the adversarial bracketed exposure fusion that regards the exposure
attack as an element-wise bracketed exposure fusion problem in the
Laplacian-pyramid space. Moreover, to realize high transferability, we further
propose the convolutional bracketed exposure fusion where the element-wise
multiplicative operation is extended to the convolution. We validate our method
on the real public DR dataset with the advanced DNNs, e.g., ResNet50,
MobileNet, and EfficientNet, showing our method can achieve high image quality
and success rate of the transfer attack. Our method reveals the potential
threats to the DNN-based DR automated diagnosis and can definitely benefit the
development of exposure-robust automated DR diagnosis method in the future.
- Abstract(参考訳): 糖尿病網膜症(DR)は、世界でも主要な視覚喪失の原因であり、多くの最先端の研究が強力なディープニューラルネットワーク(DNN)を構築し、網膜基底画像(RFI)を介してDR症例を自動的に分類している。
しかしながら、RFIは広く存在するカメラ露光の影響を受け、DNNの露光に対する堅牢性はまれである。
本稿では, 対向攻撃の観点からこの問題を考察し, 全く新しいタスク, すなわち, 対向画像を生成する対向的露光攻撃を, 非常に高い転送性でDNNを誤解させる画像露出の調整により同定する。
この目的のために我々はまず,乗算摂動に基づく露光攻撃という簡単な手法を実装し,この新しい課題を明らかにした。
そこで,本研究では,ラプラシアン・ピラミド空間における被曝攻撃を要素別ブラケット被曝融合問題として捉えた,逆ブラケット被曝融合を提案する。
さらに,高転送性を実現するために,素子ワイド乗算操作を畳み込みまで拡張した畳み込みブラケット露光融合を提案する。
提案手法は,ResNet50,MobileNet,EfficientNetなどの先進DNNを用いて実際のDRデータセット上で検証し,高い画像品質と転送攻撃の成功率が得られることを示す。
本手法は,DNNによるDR自動診断に対する潜在的な脅威を明らかにし,将来,露光障害のあるDR自動診断法の開発に有効である。
関連論文リスト
- Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent
Diffusion Model [61.53213964333474]
本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。
具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。
設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
論文 参考訳(メタデータ) (2023-12-18T15:25:23Z) - Online Overexposed Pixels Hallucination in Videos with Adaptive
Reference Frame Selection [90.35085487641773]
低ダイナミックレンジ(LDR)カメラは広いダイナミックレンジ入力に対応できず、しばしば局所的な露出問題を引き起こす。
複雑な処理機構を使わずにこれらの成果物を削減できる学習ベースシステムを提案する。
論文 参考訳(メタデータ) (2023-08-29T17:40:57Z) - Training on Foveated Images Improves Robustness to Adversarial Attacks [26.472800216546233]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが示されている。
RBlurは、画像のぼやけて彩度を下げることで、周辺視力の損失をシミュレートする画像変換である。
RBlurによって変換された画像に基づいてトレーニングされたDNNは、敵対的攻撃や、他の非敵的、汚職に対してかなり堅牢であり、摂動データに対して最大25%高い精度を達成する。
論文 参考訳(メタデータ) (2023-08-01T21:40:30Z) - Scattering Model Guided Adversarial Examples for SAR Target Recognition:
Attack and Defense [20.477411616398214]
本稿では,SAR画像処理の領域知識を探求し,新たなSMGAAアルゴリズムを提案する。
提案したSMGAAアルゴリズムは、電磁散乱応答(逆散乱器と呼ばれる)の形で逆方向の摂動を生成することができる。
MSTARデータセットの総合的な評価は、SMGAAによって生成された対向散乱体は、現在研究されている攻撃よりも、SAR処理チェーンの摂動や変換に対してより堅牢であることを示している。
論文 参考訳(メタデータ) (2022-09-11T03:41:12Z) - Guided Diffusion Model for Adversarial Purification [103.4596751105955]
敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。
本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。
様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
論文 参考訳(メタデータ) (2022-05-30T10:11:15Z) - Window-Level is a Strong Denoising Surrogate [0.7251305766151019]
高放射線は患者とオペレーターの両方に有害である。
深層学習に基づくアプローチは、低線量画像のノイズ化を試みている。
自己監督学習は、参照データ要件を下げるための新しい代替手段です。
論文 参考訳(メタデータ) (2021-05-15T07:01:07Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳(メタデータ) (2021-03-02T13:14:15Z) - Universal Adversarial Perturbations Through the Lens of Deep
Steganography: Towards A Fourier Perspective [78.05383266222285]
人間の知覚不能な摂動は、ほとんどの画像のディープニューラルネットワーク(DNN)をだますために生成することができる。
ディープステガノグラフィタスクでは同様の現象が観測されており、デコーダネットワークはわずかに乱れたカバー画像から秘密の画像を取得することができる。
1)攻撃と隠蔽を同時に行うユニバーサル・シークレット・アドバイサル・パーターベーション(USAP)、(2)人間の目では見えないハイパスUAP(HP-UAP)の2つの新しい変種を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:26:39Z) - Bias Field Poses a Threat to DNN-based X-Ray Recognition [21.317001512826476]
胸部X線画像には、不適切な医用画像取得プロセスによって引き起こされるバイアスフィールドが広く存在している。
本稿では,近年の敵攻撃をベースとしてこの問題を考察し,新たな攻撃法を提案する。
本手法は,DNNによるX線自動診断に対する潜在的な脅威を明らかにし,バイアスフィールド・ローバスト自動診断システムの開発に有効である。
論文 参考訳(メタデータ) (2020-09-19T14:58:02Z) - Vulnerability of deep neural networks for detecting COVID-19 cases from
chest X-ray images to universal adversarial attacks [0.0]
ディープニューラルネットワーク(DNN)に基づくコンピュータ支援システムは、新型コロナウイルスの患者を迅速かつ正確に検出するために開発されている。
UAP(Universal adversarial perturbation)と呼ばれる単一摂動に対するDNNの脆弱性を評価する。
その結果,小型UAPであっても,非ターゲット型およびターゲット型UAPに対して脆弱なモデルであることが示唆された。
論文 参考訳(メタデータ) (2020-05-22T08:54:41Z)
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。