待看一些文章：对抗综述
数据集网站：paperswithcode 百度大脑医学影像数据集集锦
分割：
DIRIVE视网膜图像的血管
BraTs2018脑瘤
ISIC皮肤病数据集 官网 github 下不了，应该要翻墙
arxiv占坑、审核难度低
Andrew McCallum 发布了 OpenReview，该网站允许作者提交会议论文并邀请评议人公开发表他们的评论和决定，其他人也能添加评论。主要的 AI 会议已经开始使用这个网站
Sciencedirect属于外文数据资源库，类似知网
latex：下载
latex工作室模型参考
LaTeX是一种基于ΤeΧ的排版系统，你可以理解为语言。
CTeX、TeXLive是TeX系统，你可以理解为Visual Studio。（这就是需要你下载的，同时也集成了编辑器和编译器。）
WHY?
深度神经网络(DNNs)对对抗样本的脆弱性，需要防御策略。(应用需求)
目前防御方法五花八门，却还没有强有力的防御来对抗对手。
医学图像分割
模型策略常用
在对抗攻击下集成模型对医学的效果
我们想探究在医学图像上使用集成方法作为对抗 对抗扰动的防御策略是否真的有效。
WHAT?
研究了多种医学数据集下 集成模型的防御效果，贡献点如下：
- 攻击时使用局部损失回传
- 定义了敏感像素概念？
HOW?
攻击方法：
FGSM
分割模型：
u-net
集成方法：
投票（投票的ensemble效果不好，现在普遍用软ensemble取平均，要么是一些比较复杂的？）
具体实现：
1.通过对单一数据集进行多次训练，得到训练程度不同的模型(M0~Mn)。
2.使用FGSM对模型(M0~Mn)进行攻击，得到不同的干扰图。[分割区域附近/整张图]
3.模型(M0~Mn)分别对攻击之后的图片进行预测，得到预测结果(P0~Pn)。
4.对结果(P0~Pn)通过投票进行集成分析，再与单一模型进行比较，验证集成分析模型对攻击是否有抵抗性。
RESULT?
现有结果表明集成方法并不能显著提高系统的鲁棒性
0摘要
深度神经网络(DNNs)对对抗样本的脆弱性，需要防御策略。已有的研究提出了多种集成模型策略来提高神经网络的对抗鲁棒性。然而，在医学领域鲜有涉及对集成分割模型对抗鲁棒性的研究，（并且研究医学图像下集成分割模型对抗鲁棒性是非常有意义的）为此，本文研究了多种医学数据集下 集成分割模型对对抗攻击的防御效果。
1引言
深度神经网络已经在许多机器学习和计算机视觉应用中展示了它们的成功，包括图像分类[14,7,35,9,34]和对象识别[30]。尽管有近乎完美的预测性能，深度神经网络一个很致命的弱点就是它容易遭到对抗样本攻击。在真实物理世界中，通用对抗样本可以低成本的对深度模型进行对抗攻击，这种对抗攻击可以在各种环境中欺骗模型。这就带来了安全问题。
已有的研究提出了多种集成模型策略来提高神经网络的对抗鲁棒性。文献
2相关工作
本节介绍有关对抗样本和集成学习的一些相关工作，这些工作构成了提出的研究方案的基础。
2.1对抗样本
2.2集成学习
3实验结果与分析
对对抗鲁棒性进行的相关研究实验将通过以下四个方面介绍：实验环境；实验数据；集成模型选择；
3.1 实验环境
本文实验基于Pytorch的深度学习框架，选用Adam作为优化器，学习率设置为0.001。软件环境为64位Linux操作系统。CPU型号为，GPU为，内存为 GB
3.2 实验数据
为了评估不同集成策略的有效性，我们使用了_个医学图像数据集 和 数据集。
（1）实验所使用的眼底图像数据来自于DRIVE24公开眼底数据集。DRIVE数据集来自400名糖尿病患者的眼底图像, 包含20幅训练和20幅测试图像, 均由日本Canon CR5 3CCD相机拍摄, 图像分辨率为584 pixel×565 pixel。测试集中有两个专家的分割标准图, 第一个专家的分割图作为分割标准, 第二个专家的分割图用于结果对比。
（2）实验所使用的皮肤病数据来自于
（3）
3.3 集成模型
在实验中，使用了以下的集成方法。注意，所有方法都使用模型参数的随机初始化。
（1）多个分割网络具有相同的网络结构，但是具有不同的初始化权重；（同构不同参）
（2）多个分割网络具有不同的网络结构；
3.5评价指标
视网膜视盘分割、视网膜血管和皮肤病分割都相当于像素分类问题, 以视网膜视盘分割为例，该问题相当于判断每个像素属于视盘还是非视盘。实验中, 为了定量地对分割效果进行评估, 使用4种评价指标, 包括准确率RAcc、前3种评价指标可分别定义为
式中:NTP为真阳性, 即分割正确的视盘像素个数; NTN为真阴性, 即分割正确的非视盘像素个数; NFP为假阳性, 即分割错误的视盘像素个数; NFN为假阴性, 即分割错误的非视盘像素个数。敏感性用来衡量正确检测出视盘像素的能力;
3.6结果分析
3.6.1眼图像试盘数据集结果
3.6.2眼图像血管数据集结果
3.6.3皮肤病数据集结果
4.结论
若有收获，就点个赞吧
0 人点赞
