論文の概要: On Isometry Robustness of Deep 3D Point Cloud Models under Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2002.12222v2
• Date: Tue, 10 Mar 2020 10:35:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 07:48:27.805315
• Title: On Isometry Robustness of Deep 3D Point Cloud Models under Adversarial Attacks
• Title（参考訳）: 逆襲を受ける深部3次元点雲モデルの等尺性について
• Authors: Yue Zhao, Yuwei Wu, Caihua Chen, Andrew Lim
• Abstract要約: 既存の最先端3Dモデルは、等尺変換に対して極めて脆弱であることを示す。 我々は,ModelNet40データセット上で95%以上の成功率を持つブラックボックス攻撃を開発した。 従来の研究とは対照的に,我々の反対サンプルは強く伝達可能であることが実験的に示されている。
• 参考スコア（独自算出の注目度）: 28.937800357992906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning in 3D domain has achieved revolutionary performance in many tasks, the robustness of these models has not been sufficiently studied or explored. Regarding the 3D adversarial samples, most existing works focus on manipulation of local points, which may fail to invoke the global geometry properties, like robustness under linear projection that preserves the Euclidean distance, i.e., isometry. In this work, we show that existing state-of-the-art deep 3D models are extremely vulnerable to isometry transformations. Armed with the Thompson Sampling, we develop a black-box attack with success rate over 95% on ModelNet40 data set. Incorporating with the Restricted Isometry Property, we propose a novel framework of white-box attack on top of spectral norm based perturbation. In contrast to previous works, our adversarial samples are experimentally shown to be strongly transferable. Evaluated on a sequence of prevailing 3D models, our white-box attack achieves success rates from 98.88% to 100%. It maintains a successful attack rate over 95% even within an imperceptible rotation range $[\pm 2.81^{\circ}]$.
• Abstract（参考訳）: 3D領域でのディープラーニングは多くのタスクにおいて革命的なパフォーマンスを達成したが、これらのモデルの堅牢性は十分に研究されていない。 3次元逆数サンプルについて、既存の研究のほとんどは局所点の操作に焦点をあてており、これはユークリッド距離、すなわち等距離を保存する線形射影の下でのロバスト性のような大域幾何学的性質を起こさない可能性がある。 本研究では,既存の最先端3次元モデルがアイソメトリー変換に対して極めて脆弱であることを示す。 トンプソンサンプリングを用いて、modelnet40データセットで95%以上の成功率を持つブラックボックス攻撃を開発した。 制限等尺特性を組み込んだスペクトルノルムに基づく摂動の上に,ホワイトボックス攻撃の新たな枠組みを提案する。 従来の研究とは対照的に,我々の反対サンプルは強く伝達可能であることが実験的に示されている。 一般的な3dモデルで評価すると、ホワイトボックス攻撃は98.88%から100%の成功率を達成している。 許容できない回転範囲$[\pm 2.81^{\circ}]$でも95%以上の攻撃率を維持している。

関連論文リスト

• Transferable 3D Adversarial Shape Completion using Diffusion Models [8.323647730916635]
  3Dポイントクラウド機能学習は、3Dディープラーニングモデルのパフォーマンスを大幅に改善した。 既存の攻撃方法は、主にホワイトボックスのシナリオに焦点を当てており、最近提案された3Dディープラーニングモデルへの移行に苦労している。 本稿では,拡散モデルを用いて高品質な対向点雲を生成する。 提案した攻撃は、ブラックボックスモデルとディフェンスの両方に対して、最先端の敵攻撃法より優れている。
  論文  参考訳（メタデータ） (2024-07-14T04:51:32Z)
• AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
  そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。 我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-03T07:05:32Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• 3DHacker: Spectrum-based Decision Boundary Generation for Hard-label 3D Point Cloud Attack [64.83391236611409]
  そこで本研究では,クラスラベルの知識にのみ依存して,敵対的なサンプルを生成する新しい3D攻撃手法を提案する。 3DHackerは、難しいハードラベル設定でも、既存の3D攻撃の攻撃性能と敵のクオリティを競争力で上回っている。
  論文  参考訳（メタデータ） (2023-08-15T03:29:31Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• SAGA: Spectral Adversarial Geometric Attack on 3D Meshes [13.84270434088512]
  三角形メッシュは、最も人気のある3Dデータ表現の1つである。 本稿では,3次元メッシュオートエンコーダに対する幾何学的逆アタックのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-24T19:29:04Z)
• Isometric 3D Adversarial Examples in the Physical World [34.291370103424995]
  3Dディープラーニングモデルは、2Dモデルと同じくらい敵対的な例に弱いことが示されている。 既存の攻撃方法はまだステルスには程遠いので、物理的な世界では深刻なパフォーマンス劣化に悩まされている。 本研究では, 自然かつ堅牢な3次元対向例を生成するために, 新規な$epsilon$-isometric ($epsilon$-ISO) 攻撃を提案する。
  論文  参考訳（メタデータ） (2022-10-27T09:58:15Z)
• Imperceptible and Robust Backdoor Attack in 3D Point Cloud [62.992167285646275]
  本稿では、この課題に対処するために、新しい非受容的で堅牢なバックドアアタック(IRBA)を提案する。 我々は、重み付き局所変換(WLT)と呼ばれる非線形局所変換を用いて、ユニークな変換を持つ有毒試料を構築する。 3つのベンチマークデータセットと4つのモデルによる実験により、IRBAは前処理技術でもほとんどの場合80%以上のASRを達成することが示された。
  論文  参考訳（メタデータ） (2022-08-17T03:53:10Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• PointBA: Towards Backdoor Attacks in 3D Point Cloud [31.210502946247498]
  3dのバックドア攻撃を,3dデータとネットワークのユニークな特性を利用する統一フレームワークで提示する。 3D深層モデルの堅牢性向上のベースラインとして、3Dポイントクラウドにおけるバックドアアタックの提案が期待されます。
  論文  参考訳（メタデータ） (2021-03-30T04:49:25Z)
• Geometric Adversarial Attacks and Defenses on 3D Point Clouds [25.760935151452063]
  本研究は,幾何学的レベルでの逆例を考察する。 つまり、クリーンなソースポイントクラウドへの小さな変更は、autoencoderモデルを通過した後、異なるターゲットクラスからの形状へと導かれる。 防御側では,敵の入力に防御を施した後も,攻撃対象形状の残余が再建された出力に残っていることを示す。
  論文  参考訳（メタデータ） (2020-12-10T13:30:06Z)

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。