新冠肺炎CT影像的DNN对抗攻击研究

doi:10.3778/j.issn.1002-8331.2007-0204

摘要/摘要

摘要：在深度学习应用于新型冠状肺炎计算机断层扫描智能识别的研究中，大量研究人员通过构建深度神经网络训练模型，从而理解医学影像数据内容，辅助新冠肺炎诊断。提出AMDRC网络架构，其中的残差结构，通过恒等映射解决了网络退化问题，与此同时，针对残差结构阻碍新特征探索的新问题，受到注意力机制等最新研究启发，研究了长短注意力引导机制。关注深度学习模型安全性问题，讨论基于梯度上升的对抗攻击方法；为了解决其单一性问题，通过长短注意力机制，增加有效对抗扰动的同时减少冗余扰动，紧接着，提出的对抗攻击算法A-IM-FGSM将对抗攻击问题转化为自适应约束问题，即可微变换思想用于迭代攻击中，探究注意力引导机制与挪威船级社对抗攻击的相互关系。最后进行的实验中，在新型冠状肺炎计算机断层扫描数据集上，通过AMDRC网络进行模型训练，设计对比实验、可视化实验、对抗攻击实验。

关键词: 新冠肺炎CT像，注意力引导机制, 深度学习, 挪威船级社

摘要：在将深度学习应用于新型冠状病毒（COVID-19）智能CT识别的研究中，大量研究人员通过训练DNN模型来理解医学图像的内容，并帮助诊断新型冠状肺炎。首先，本文提出了AMDRC-Net体系结构，其中剩余结构通过身份映射解决了网络退化问题。然而，剩余结构阻碍了对新特征的探索，而长时间和短时间注意引导机制是受到注意机制等最新研究的启发。然后，重点讨论了深度学习模型的安全性，并讨论了基于梯度提升的对抗性攻击。为了解决奇异性问题，使用长时间和短时间注意机制来增加有效的抗干扰，同时减少冗余干扰。然后，所提出的反击攻击算法A-IM-FGSM将对抗攻击问题转化为自适应约束问题，即可以在迭代攻击中使用微变换的思想来探索注意力引导机制与DNN对抗攻击之间的关系。在最后的实验中，使用AMDRC-Net对COVID-19 CT数据集进行模型训练，完成了对比实验、可视化实验和对抗性攻击实验。

关键词： 新冠肺炎CT图像，注意机制，深度学习， DNN对抗性攻击

胡耿, 蔡延光. 新冠肺炎康涅狄格州DNN[J]。计算机工程与应用, 2022, 58(1): 152-157.

胡庚、蔡延光。DNN对抗性攻击对COVID-19 CT图像数据集的研究[J]。计算机工程与应用，2022，58（1）：152-157。

参考文献

[1] MEHTA P，MCAULEY D，BROWN M，等.新型冠状病毒肺炎：考虑细胞因子风暴综合征和免疫抑制[J]。《柳叶刀》，2020395:1033-1034
[2] SINGH D，KUMAR V，VAISHALI，等.基于多目标差分进化卷积神经网络的新型冠状病毒肺炎患者胸部CT图像分类[J]。欧洲临床微生物学杂志，2020,39（7）：1379-1389。
[3] 钟飞扬，张寒菲，王彬宸，等.新型冠状病毒肺炎的CT[J].中国日报，2020,41（3）：345-348。ZHONG F Y，ZHANG H F，WANG B C，et al.CT在2019新型冠状病毒病（COVID-19）患者中的发现[J]。武汉大学医学杂志，2020,41（3）：345-348。
[4] LéCUN Y，BOTTOU L，BENGIO Y，等.基于梯度的学习在文档识别中的应用[J]。IEEE学报，1998,86（11）：2278-2324。
[5] SIMONYAN K，ZISSERMAN A.用于大规模图像识别的超深卷积网络[J].arXiv:1409。
1556，2014.
[6] 何凯，张欣，任S，等。图像识别中的深度剩余学习[C]//IEEE计算机视觉与模式识别会议论文集，2016:770-778。
[7] SZEGEDY C，VANHOUCKE V，IOFFE S等。重新思考计算机视觉的初始架构[C]//IEEE计算机视觉和模式识别会议论文集，2016:2818-2826。
[8] 胡J，沈力，孙G.挤压与激励网络[C]//IEEE计算机视觉与模式识别会议论文集，2018:7132-7141。
[9] GOODFELLOW I J，SHLENS J，SZEGEDY C.解释和利用对抗性示例[J].arXiv:1412.65722014。
[10] AKHTAR N，MIAN A.对抗性攻击对计算机视觉深度学习的威胁：一项调查[J]。IEEE接入，2018年，6:14410-14430。
[11] 库拉金A，古德费洛一世，贝吉奥S.物理世界中的对抗性例子[J].arXiv:1607.025332016。
[12] 董毅，廖峰，庞涛，等.利用动量推进对抗性攻击[C]//IEEE计算机视觉与模式识别会议论文集，2018:9185-9193。
[13] IOFFE S，SZEGEDY C.批量归一化：通过减少内部协变量偏移来加速深层网络训练[J].arXiv:1502.031672015。
[14] SELVARAJU R R，COGSWELL M，DAS A，et al.Grad-cam:通过基于梯度的本地化从深层网络中进行可视化解释[C]//IEEE计算机视觉国际会议论文集，2017:618-626。

[1]	石颉, 袁晨翔, 丁飞, 孔维相.合成孔径雷达图像建筑物目标检测研究综述[J] ●●●●。计算机工程与应用, 2022, 58(8): 58-66.
[2]	熊风光, 张鑫, 韩燮, 况立群, 刘欢乐, 贾炅昊.改进的遥感图像语义分割研究[J] ●●●●。计算机工程与应用, 2022, 58(8): 185-190.
[3]	杨锦帆, 王晓强, 林浩, 李雷孝, 杨艳艳, 李科岑, 高静.深度学习中的单阶段车辆检测算法综述[J] ●●●●。计算机工程与应用, 2022, 58(7): 55-67.
[4]	王斌, 李昕.融合动态残差的多源域自适应算法研究[J] ●●●●。计算机工程与应用, 2022, 58(7): 162-166.
[5]	谭暑秋, 汤国放, 涂媛雅, 张建勋, 葛盼杰.教室监控下学生异常行为检测系统[J] ●●●●。计算机工程与应用, 2022, 58(7): 176-184.
[6]	张美玉, 刘跃辉, 侯向辉, 秦绪佳.基于卷积网络的灰度图像自动上色方法[J] ●●●●。计算机工程与应用, 2022, 58(7): 229-236.
[7]	张壮壮, 屈立成, 李翔, 张明皓, 李昭璐.基于时空卷积神经网络的数据缺失交通流预测[J] ●●●●。计算机工程与应用, 2022, 58(7): 259-265.
[8]	许杰, 祝玉坤, 邢春晓.基于深度强化学习的金融交易算法研究[J] ●●●●。计算机工程与应用, 2022, 58(7): 276-285.
[9]	张昊, 张小雨, 张振友, 李伟.基于深度学习的入侵检测模型综述[J] ●●●●。计算机工程与应用, 2022, 58(6): 17-28.
[10]	王鑫鹏, 王晓强, 林浩, 李雷孝, 杨艳艳, 孟闯, 高静.深度学习典型目标检测算法的改进综述[J] ●●●●。计算机工程与应用, 2022, 58(6): 42-57.
[11]	陈嘉涛, 张泓凯, 黄燕平, 蓝公仆, 许景江, 秦嘉, 安林.基于视频的生理参数测量技术及研究进展[J] ●●●●。计算机工程与应用, 2022, 58(6): 58-68.
[12]	汪晶, 王恺, 严迎建.基于条件生成对抗网络的侧信道攻击技术研究[J] ●●●●。计算机工程与应用, 2022, 58(6): 110-117.
[13]	李彦辰, 张小俊, 张明路, 沈亮屹.基于改进效率det的自动驾驶场景目标检测[J] ●●●●。计算机工程与应用, 2022, 58(6): 183-191.
[14]	张振伟, 郝建国, 黄健, 潘崇煜.小样本图像目标检测研究综述[J] ●●●●。计算机工程与应用, 2022, 58(5): 1-11.
[15]	卢冰洁, 李炜卓, 那崇宁, 牛作尧, 陈奎.机器学习模型在车险欺诈检测的研究进展[J] ●●●●。计算机工程与应用, 2022, 58(5): 34-49.

新冠肺炎CT DNN公司

基于COVID-19 CT图像数据集的DNN对抗攻击研究

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学