PulseAugur
中
实时 11:47:17
English(EN) Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology

新方法提高了组织病理学中视觉模型的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为分层自监督对抗训练（HSAT）的新方法，以提高组织病理学中视觉模型的鲁棒性。该方法特别利用了医学图像的分层结构，例如先前其他对抗训练技术所忽略的患者-载玻片-图像块关系。HSAT集成了多层次对比学习，以创建更有效的对抗性示例，从而在OpenSRH数据集上的白盒和黑盒攻击场景中都取得了显著的性能提升。 AI

影响 增强了人工智能模型在关键医疗保健应用中的可靠性，可能带来更值得信赖的诊断工具。

排序理由 该集群包含一篇详细介绍新方法及其在数据集上评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Hashmat Shadab Malik, Shahina Kunhimon, Muzammal Naseer, Fahad Shahbaz Khan, Salman Khan ·

    Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology

    arXiv:2503.10629v2 Announce Type: replace Abstract: Adversarial attacks pose significant challenges for vision models in critical fields like healthcare, where reliability is essential. Although adversarial training has been well studied in natural images, its application to biom…

相关实体

相关话题