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
- OpticalDR: A Deep Optical Imaging Model for Privacy-Protective
Depression Recognition [66.91236298878383]
抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。
我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。
正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
論文 参考訳(メタデータ) (2024-02-29T01:20:29Z) - Adversarial alignment: Breaking the trade-off between the strength of an
attack and its relevance to human perception [10.883174135300418]
敵対的な攻撃は長年、深層学習の「アキレスのヒール」と見なされてきた。
本稿では、ImageNetにおけるDNNの敵攻撃に対する堅牢性がどのように発展し、精度が向上し続けているかを検討する。
論文 参考訳(メタデータ) (2023-06-05T20:26:17Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳(メタデータ) (2023-04-29T16:11:34Z) - Towards Understanding and Boosting Adversarial Transferability from a
Distribution Perspective [80.02256726279451]
近年,ディープニューラルネットワーク(DNN)に対する敵対的攻撃が注目されている。
本稿では,画像の分布を操作することで,敵の例を再現する新しい手法を提案する。
本手法は,攻撃の伝達性を大幅に向上させ,未目標シナリオと目標シナリオの両方において最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-10-09T09:58:51Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - 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) - Adversarial Robustness Study of Convolutional Neural Network for Lumbar
Disk Shape Reconstruction from MR images [1.2809525640002362]
本研究では, 腰椎MR画像から腰椎椎間板形状を再構成するための代表的CNNのin-distriion (IND) とout-of-distriion (OOD) の対向性について検討した。
以上の結果から, IND対人訓練は, IND対人攻撃に対するCNNのロバスト性を向上し, より大きなトレーニングデータセットがIND対人攻撃のロバスト性を高める可能性が示唆された。
論文 参考訳(メタデータ) (2021-02-04T20:57:49Z) - 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) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Adversarial Attacks on Convolutional Neural Networks in Facial
Recognition Domain [2.4704085162861693]
Deep Neural Network(DNN)分類器を実生活で脆弱にする敵攻撃は、自動運転車、マルウェアフィルター、生体認証システムにおいて深刻な脅威となる。
我々はFast Gradient Sign Methodを適用し、顔画像データセットに摂動を導入し、異なる分類器で出力をテストする。
我々は、最小の敵対的知識を前提に、さまざまなブラックボックス攻撃アルゴリズムを顔画像データセット上に構築する。
論文 参考訳(メタデータ) (2020-01-30T00:25:05Z)
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。