- Нецелевая бэкдор-атака против обнаружения объектов(arXiv)
Автор: Чэнсяо Луо, Имин Ли, Юн Цзян, Шу-Тао Ся
Аннотация. Недавние исследования показали, что глубокие нейронные сети (DNN) подвергаются бэкдор-угрозам при обучении с использованием сторонних ресурсов (таких как обучающие образцы или магистрали). Модель с бэкдором обладает многообещающей эффективностью в прогнозировании доброкачественных образцов, в то время как злоумышленники могут злонамеренно манипулировать ее прогнозами, активируя свои бэкдоры с помощью заранее определенных триггерных шаблонов. В настоящее время большинство существующих бэкдор-атак проводились на классификацию изображений таргетированным образом. В этой статье мы раскрываем, что эти угрозы также могут возникать при обнаружении объектов, создавая угрожающие риски для многих критически важных приложений (например, для обнаружения пешеходов и интеллектуальных систем наблюдения). В частности, мы разрабатываем простую, но эффективную бэкдор-атаку с использованием только яда нецелевым образом, основываясь на характеристиках задачи. Мы показываем, что, как только бэкдор внедряется в целевую модель с помощью нашей атаки, он может обмануть модель, чтобы она перестала обнаруживать любой объект, отмеченный нашими шаблонами триггеров. Мы проводим обширные эксперименты с эталонным набором данных, демонстрируя его эффективность как в цифровом, так и в физическом мире, а также его устойчивость к потенциальным средствам защиты.
2.Перенос обучения и независимый от локальной интерпретируемой модели визуальный подход в обнаружении и классификации заболеваний оспы обезьян: понимание глубокого обучения(arXiv)
Автор:Мд Манджурул Ахсан, Тареке Абу Абдулла, Мд Шахин Али, Фатематудж Джахора, Мд Хайрул Ислам, Амин Г. Альхашим, Кишор Датта Гупта
Аннотация:недавнее развитие болезни оспы обезьян среди различных стран представляет собой глобальную угрозу пандемии, когда мир все еще борется с коронавирусной болезнью-2019 (COVID-19). На заре своего существования необходимо серьезно заняться медленной и устойчивой передачей болезни обезьян среди людей. За прошедшие годы прогнозирование заболеваний на основе глубокого обучения (DL) продемонстрировало настоящий потенциал, предоставляя средства ранней, дешевой и доступной диагностики. Учитывая эту возможность, мы провели два исследования, в ходе которых мы модифицировали и протестировали шесть различных моделей глубокого обучения — VGG16, InceptionResNetV2, ResNet50, ResNet101, MobileNetV2 и VGG19 — с использованием передачи подходы к обучению. Наши предварительные результаты вычислений показывают, что предлагаемые модифицированные модели InceptionResNetV2 и MobileNetV2 работают лучше всего, достигая точности в диапазоне от 93% до 99%. Наши выводы подкрепляются недавней научной работой, демонстрирующей повышение эффективности построения моделей диагностики нескольких заболеваний с использованием подходов обучения переноса. Наконец, мы далее объясняем наш модельный прогноз с использованием локальных интерпретируемых модельно-независимых объяснений (LIME), которые играют важную роль в выявлении важных признаков, характеризующих начало болезни оспы обезьян.
3.SETGen: масштабируемая и эффективная платформа создания шаблонов для групповой регистрации медицинских изображений(arXiv)
Автор:: Ziyi He, Albert C. S. Chung
Аннотация. Генерация шаблона — это важный этап групповой регистрации изображений, который превращает группу объектов в общее пространство. Существующие традиционные методы и методы, основанные на глубоком обучении, могут создавать высококачественные изображения шаблонов. Однако они страдают от значительных временных затрат или ограниченных сценариев применения, таких как фиксированный размер группы. В этой статье мы предлагаем эффективную структуру генерации групповых шаблонов, основанную на моделях вариационного автоэнкодера, использующую арифметическое свойство скрытого представления входных изображений. Мы получаем скрытые векторы каждого входа и используем средний вектор для построения шаблона через декодер. Поэтому метод может применяться к группам любого масштаба. Во-вторых, мы исследуем сиамскую схему обучения, которая подает два изображения в сети близнецов с общим весом и сравнивает расстояния между входными данными и сгенерированным шаблоном, чтобы подсказать, что шаблон должен быть близок к неявному центру. Мы проводим эксперименты по 3D МРТ головного мозга групп разного размера. Результаты показывают, что наша платформа может обеспечить сравнимую и даже лучшую производительность по сравнению с базовыми показателями, а время выполнения сократилось до секунд.
