新冠肺炎CT影像的DNN对抗攻击研究

摘要：

在深度学习应用于新型冠状肺炎CT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-Net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DNN对抗攻击的相互关系.最后进行的实验中,在新型冠状肺炎CT数据集上,通过AMDRC-Net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影像;注意力引导机制;深度学习;DNN对抗攻击

所属期刊栏目：58

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;广东省自然科学基金;广东省教育部产学研结合项目;广东省教育部产学研结合项目;广东省科技计划项目;广东省科技计划项目;广东省科技计划项目;广州市花都区科技计划项目;广州市科技计划项目;广州市天河区科技计划项目

在线出版日期：2022-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：152-157