論文の概要: Defense-PointNet: Protecting PointNet Against Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2002.11881v1
• Date: Thu, 27 Feb 2020 02:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:23:31.329779
• Title: Defense-PointNet: Protecting PointNet Against Adversarial Attacks
• Title（参考訳）: defense-pointnet: 敵の攻撃からpointnetを守る
• Authors: Yu Zhang, Gongbo Liang, Tawfiq Salem, Nathan Jacobs
• Abstract要約: 我々は、敵攻撃に対するPointNetの脆弱性を最小限に抑えるために、Defense-PointNetを提案する。 我々は,Defense-PointNetが,敵のサンプルに対するネットワークの堅牢性を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 19.814951750594574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite remarkable performance across a broad range of tasks, neural networks have been shown to be vulnerable to adversarial attacks. Many works focus on adversarial attacks and defenses on 2D images, but few focus on 3D point clouds. In this paper, our goal is to enhance the adversarial robustness of PointNet, which is one of the most widely used models for 3D point clouds. We apply the fast gradient sign attack method (FGSM) on 3D point clouds and find that FGSM can be used to generate not only adversarial images but also adversarial point clouds. To minimize the vulnerability of PointNet to adversarial attacks, we propose Defense-PointNet. We compare our model with two baseline approaches and show that Defense-PointNet significantly improves the robustness of the network against adversarial samples.
• Abstract（参考訳）: 幅広いタスクにわたる顕著なパフォーマンスにもかかわらず、ニューラルネットワークは敵の攻撃に弱いことが示されている。 多くの作品は2d画像に対する敵対的な攻撃と防御に焦点を当てているが、3dポイントのクラウドに焦点を当てるものは少ない。 本稿では,3次元点群において最も広く利用されているモデルの一つであるPointNetの対角性を高めることを目的とする。 高速勾配符号攻撃法(FGSM)を3次元点群に適用し,FGSMを用いて逆画像だけでなく,逆点群も生成できることを示した。 敵攻撃に対するPointNetの脆弱性を最小限に抑えるために,Defense-PointNetを提案する。 モデルと2つのベースラインアプローチを比較して,Defense-PointNetは敵のサンプルに対するネットワークのロバスト性を大幅に改善することを示す。

関連論文リスト

• Benchmarking and Analyzing Robust Point Cloud Recognition: Bag of Tricks for Defending Adversarial Examples [25.029854308139853]
  3Dポイントクラウド上の敵の例は、2Dイメージ上のものよりも防御が難しい。 本稿では、まず、総合的で厳密なクラウド対逆ロバスト性ベンチマークを確立する。 次に、これらのトリックの効果的な組み合わせを特定するために、広範囲かつ体系的な実験を行う。 我々は、様々な攻撃に対して平均83.45%の精度を達成する、より堅牢な防御フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-07-31T01:34:24Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• PointDP: Diffusion-driven Purification against Adversarial Attacks on 3D Point Cloud Recognition [29.840946461846]
  3D Pointクラウドは、自律運転、ロボティクス、医療画像など、多くの現実世界のアプリケーションにおいて重要なデータ表現である。 ディープラーニングは、敵の攻撃に対する脆弱性で有名だ。 我々は,拡散モデルを利用して3次元敵攻撃を防御する浄化戦略であるPointDPを提案する。
  論文  参考訳（メタデータ） (2022-08-21T04:49:17Z)
• Passive Defense Against 3D Adversarial Point Clouds Through the Lens of 3D Steganalysis [1.14219428942199]
  3次元逆転点雲検出器は3次元ステガナリシスのレンズを通して設計されている。 我々の知る限り、この研究は初めて3次元ステガナリシスを3次元対人防御に適用した。
  論文  参考訳（メタデータ） (2022-05-18T06:19:15Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• Generating Unrestricted 3D Adversarial Point Clouds [9.685291478330054]
  3Dポイントクラウドのディープラーニングは、いまだに敵の攻撃に弱い。 本稿では,現実的な3D点雲を生成するために,AdvGCGAN(Adversarial Graph-Convolutional Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-11-17T08:30:18Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks [123.5839352227726]
  本稿では,リアルタイムなフレキシブル・ターゲット・ポイント・クラウド・アタックのための新しいラベル誘導対向ネットワーク(LG-GAN)を提案する。 私たちの知る限りでは、これが第1世代ベースの3Dポイントクラウドアタック手法です。
  論文  参考訳（メタデータ） (2020-11-01T17:17:10Z)
• IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration [68.88711148515682]
  ディープニューラルネットワークは、様々な3D敵攻撃に対して脆弱である。 本稿では,幾何学的制約と分布的制約を伴って入力点の座標を直接最適化するIF-Defenseフレームワークを提案する。 この結果から,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元攻撃に対して,最先端の防御性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-11T15:36:40Z)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。