論文の概要: Minimal Adversarial Examples for Deep Learning on 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2008.12066v4
• Date: Fri, 17 Sep 2021 09:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 08:01:13.466938
• Title: Minimal Adversarial Examples for Deep Learning on 3D Point Clouds
• Title（参考訳）: 3dポイントクラウド上でのディープラーニングの最小逆行例
• Authors: Jaeyeon Kim, Binh-Son Hua, Duc Thanh Nguyen, Sai-Kit Yeung
• Abstract要約: 本研究では、ポイントクラウドベースのニューラルネットワークに対する敵攻撃について検討する。 本稿では2つの異なる攻撃戦略を一般化できる対向点雲生成のための統一的な定式化を提案する。 提案手法は, 合成データと実世界のデータに対して, 89%以上の攻撃成功率と90%の攻撃成功率で, 最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 25.569519066857705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With recent developments of convolutional neural networks, deep learning for 3D point clouds has shown significant progress in various 3D scene understanding tasks, e.g., object recognition, semantic segmentation. In a safety-critical environment, it is however not well understood how such deep learning models are vulnerable to adversarial examples. In this work, we explore adversarial attacks for point cloud-based neural networks. We propose a unified formulation for adversarial point cloud generation that can generalise two different attack strategies. Our method generates adversarial examples by attacking the classification ability of point cloud-based networks while considering the perceptibility of the examples and ensuring the minimal level of point manipulations. Experimental results show that our method achieves the state-of-the-art performance with higher than 89% and 90% of attack success rate on synthetic and real-world data respectively, while manipulating only about 4% of the total points.
• Abstract（参考訳）: 畳み込みニューラルネットワークの最近の進歩により、3dポイントクラウドのディープラーニングは、オブジェクト認識やセマンティクスセグメンテーションなど、さまざまな3dシーン理解タスクにおいて大きな進歩を遂げている。 しかし、安全クリティカルな環境では、このような深層学習モデルがどのように敵の例に弱いかはよく理解されていない。 本研究では,ポイントクラウドベースのニューラルネットワークに対する敵意攻撃について検討する。 本稿では2つの異なる攻撃戦略を一般化できる対向点雲生成のための統一的な定式化を提案する。 提案手法は, 実例の認識性を考慮しつつ, ポイントクラウドネットワークの分類能力を攻撃し, ポイント操作の最小レベルを確保することで, 逆例を生成する。 実験結果から,本手法は,合成および実世界のデータに対する攻撃成功率の90%を89%以上で達成し,総得点の約4%を演算できることがわかった。

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)
• PCLD: Point Cloud Layerwise Diffusion for Adversarial Purification [0.8192907805418583]
  ポイントクラウドは、ロボット工学、自律運転、拡張現実など、さまざまな現実世界のアプリケーションに広く利用されている。 モデルの堅牢性を評価する典型的な方法は、敵攻撃によるものである。 本稿では, 層状拡散に基づく3次元ポイントクラウド防衛戦略であるポイントクラウド層拡散(PCLD)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:13:10Z)
• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• 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)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Explainability-Aware One Point Attack for Point Cloud Neural Networks [0.0]
  本研究は2つの新たな攻撃手法である opa と cta を提案する。 入力インスタンスから1ポイントだけをシフトすることで、人気の高いクラウドネットワークを100%の成功率で騙すことができることを示す。 また,異なる点帰属分布が点クラウドネットワークの対角的ロバスト性に与える影響についても考察した。
  論文  参考訳（メタデータ） (2021-10-08T14:29:02Z)
• 3D Point Cloud Completion with Geometric-Aware Adversarial Augmentation [11.198650616143219]
  本稿では,3Dポイントクラウド完了タスクにおけるニューラルネットワークの性能向上を図ることを目的とした。 本稿では, クリーンサンプルと逆サンプルの両方の性能向上に寄与する, 逆サンプルを生成する新しい手法を提案する。 実験結果から,本手法により作製した逆方向サンプルを用いたトレーニングは,ShapeNetデータセット上でのPCNの性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2021-09-21T13:16:46Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Local Aggressive Adversarial Attacks on 3D Point Cloud [12.121901103987712]
  ディープニューラルネットワークは、モデルを意図的に騙してミスを犯すような敵の例をしがちだ。 本稿では,上記の課題を解決するために,攻撃的攻撃的攻撃攻撃(L3A)を提案する。 PointNet, PointNet++ および DGCNN を用いた実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2021-05-19T12:22:56Z)
• 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)

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。