Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19

Este trabajo de grado se centra en la aplicación de técnicas de aprendizaje profundo y procesamiento de imágenes médicas para mejorar la detección y diagnóstico de enfermedades pulmonares, con un enfoque específico en el padecimiento causado por el COVID-19. El estudio propone el uso de una arquitectura de red neuronal convolucional (CNN) y otra arquitectura por transferencia de aprendizaje (TL) para analizar imágenes de tomografía computarizada (TC). Se investiga la robustez del modelo ante posibles ataques adversarios, como la adición de ruido a las imágenes de entrada. Se realizan experimentos para comprender cómo estos ataques pueden afectar la precisión y la confiabilidad del modelo previamente entrenado

• Autores: Bustamante Alarcon, Javier Steven
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Militar Nueva Granada
• Repositorio: Repositorio UMNG
• Idioma: spa
• OAI Identifier: oai:repository.umng.edu.co:10654/47402
• Acceso en línea: https://hdl.handle.net/10654/47402
• Palabra clave: REDES NEURONALES CONVOLUCIONALES (CNN); APRENDIZAJE PROFUNDO - SEGURIDAD; CIBERSEGURIDAD - ATAQUES ADVERSARIOS; RECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACION; Aprendizaje profundo; Radiografías; Ataques adversarios; Ruido aditivo; Transferencia de aprendizaje; Red Neuronal Convolucional; Deep Learning; Radiographs; Adversarial Attacks; Additive Noise; Transfer Learning; Convolutional Neural Network
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/