一种基于区域信息的图像对抗样本生成方法及设备技术

本发明专利技术公开了一种基于区域信息的图像对抗样本生成方法及设备，所述方法包括：(1)将给定图像输入经过预训练的深度神经网络，由深度神经网络输出相应的预测图像；(2)在区域尺度上计算预测图像与目标图像的损失L

【技术实现步骤摘要】
一种基于区域信息的图像对抗样本生成方法及设备


[0001]本专利技术属于图像分割领域，具体涉及一种基于区域信息的图像对抗样本生成方法及设备。

技术介绍

[0002]深度学习目前在医疗领域已经取得了巨大的成就，如医学图像分割、病变组织检测、医学图像重构、辅助疾病诊断等等。目前有一种流行的理论提出，为了减轻医疗机构在人工方面的巨额开销(如医生、护士、领域专家等)，人们正在尝试用全自动化深度学习模型取代人工劳动力。然而在大多数医疗场景下，如医学图像分割任务中，只有少量的数据可以用来作为训练数据，而相对的深度学习模型却有极为庞大的参数，这将导致模型对训练数据产生记忆性，并对测试数据或者未知数据有较低的预测性。同时，因为深度学习模型的低可解释性，使其一直饱受“黑盒方案”的诟病，人们一直无法获取神经网络运行的准确运行逻辑。这在医学领域方面将会显得极为致命，因为通过医学设备获得的数据通常有较大的噪声，这将导致深度学习模型产生无法解释的错误，很多情况下会对医疗诊断造成很大的干扰。同时，近期的研究还表明，深度学习很容易被人为制造的，不易察觉的扰动影响，例如对抗攻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域信息的图像对抗样本生成方法，其特征在于，包括以下步骤：(1)将给定图像输入经过预训练的深度神经网络，由深度神经网络输出相应的预测图像；(2)在区域尺度上计算预测图像与目标图像的损失L
RW
，并在像素尺度上计算预测图像与真实标签的损失L
dice
；(3)分别计算两个损失的梯度值并进行加权相加，得到干扰值，将干扰值作为噪声反向加到原输入图像中，通过迭代得到目标对抗样本。2.根据权利要求1所述的基于区域信息的图像对抗样本生成方法，其特征在于，所述预测图像与目标图像的损失L
RW
计算方式如下：计算方式如下：其中，C为输入图像X中的目标数量，rrwmap是由输入图像生成的标签矩阵，其每一个元素代表着输入图像对应位置的像素i到其最近的目标c的区域Ω
c
边缘的像素b
ic
的距离。3.根据权利要求1所述的基于区域信息的图像对抗样本生成方法，其特征在于，所述预测图像与真实标签的损失L
dice
计算方式如下：其中，N表示输入图像的像素数量，p
cn
表示像素n被分类为c的预测值，g
cn
表示像素n在分类c中的标签值。4.根据权利要求1所述的基于区域信息的图像对抗样本生成方法，其特征在于，所述干扰值计算方式为：其中，r
m
表示第m轮迭代的干扰值，P
m
表示第m轮迭代的输入图像，G为标签，G
...

【专利技术属性】
技术研发人员：张道强，沈奥，孙亮，徐梦婷，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：