論文の概要: IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration

• arxiv url: http://arxiv.org/abs/2010.05272v3
• Date: Thu, 18 Mar 2021 14:43:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 13:41:29.267518
• Title: IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration
• Title（参考訳）: IF-Defense:インプシット機能による3次元対向点雲防衛
• Authors: Ziyi Wu, Yueqi Duan, He Wang, Qingnan Fan, Leonidas J. Guibas
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.88711148515682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud is an important 3D data representation widely used in many essential applications. Leveraging deep neural networks, recent works have shown great success in processing 3D point clouds. However, those deep neural networks are vulnerable to various 3D adversarial attacks, which can be summarized as two primary types: point perturbation that affects local point distribution, and surface distortion that causes dramatic changes in geometry. In this paper, we simultaneously address both the aforementioned attacks by learning to restore the clean point clouds from the attacked ones. More specifically, we propose an IF-Defense framework to directly optimize the coordinates of input points with geometry-aware and distribution-aware constraints. The former aims to recover the surface of point cloud through implicit function, while the latter encourages evenly-distributed points. Our experimental results show that IF-Defense achieves the state-of-the-art defense performance against existing 3D adversarial attacks on PointNet, PointNet++, DGCNN, PointConv and RS-CNN. For example, compared with previous methods, IF-Defense presents 20.02% improvement in classification accuracy against salient point dropping attack and 16.29% against LG-GAN attack on PointNet. Our code is available at https://github.com/Wuziyi616/IF-Defense.
• Abstract（参考訳）: ポイントクラウドは多くの重要なアプリケーションで広く使われている重要な3Dデータ表現である。 ディープニューラルネットワークを活用する最近の研究は、3Dポイントクラウドの処理に大きな成功を収めている。 しかし、これらのディープニューラルネットワークは、様々な3次元敵攻撃に弱いため、局所的な点分布に影響を与える点摂動と、幾何学の劇的な変化を引き起こす表面歪みの2つの主要なタイプにまとめることができる。 本稿では,攻撃対象からクリーンポイント雲を復元する学習を通じて,上記の2つの攻撃に同時に対処する。 具体的には,入力点の座標を幾何学的および分布的制約により直接最適化するif防御フレームワークを提案する。 前者は暗黙の関数を通じて点雲の表面を回復することを目的としているが、後者は均等に分配された点を奨励する。 実験の結果,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元敵攻撃に対して,最先端の防御性能を達成できた。 例えば、以前の方法と比較すると、IF-Defenseは正解点降下攻撃に対する分類精度を20.02%改善し、ポイントネットに対するLG-GAN攻撃に対して16.29%改善した。 私たちのコードはhttps://github.com/Wuziyi616/IF-Defense.comから入手可能です。

関連論文リスト

• 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)
• Robust Structured Declarative Classifiers for 3D Point Clouds: Defending Adversarial Attacks with Implicit Gradients [27.738181762952006]
  現在のディフェンダーは、しばしば、復元によって敵の点雲を飾ることを学び、入力として敵の点雲に給餌する。 本稿では, 内部制約最適化機構が敵攻撃を効果的に防御することのできる, ポイントクラウド分類のためのロバストな構造化宣言のファミリーを提案する。 我々は,ModelNet40とScanNetのクラウド分類性能を,7つの異なる攻撃条件下で実証した。
  論文  参考訳（メタデータ） (2022-03-29T05:35:51Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• 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)
• 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)
• PointGuard: Provably Robust 3D Point Cloud Classification [30.954481481297563]
  3Dポイントクラウド分類には、自律運転やロボットグリップなど、多くの安全クリティカルな応用がある。 特に、攻撃者は、少数のポイントを慎重に修正、追加、削除することで、3Dポイントクラウドの誤ラベルを予測することができる。 我々は,敵の修正点,追加点,削除点に対するロバスト性を保証する最初の防御手法であるpointguardを提案する。
  論文  参考訳（メタデータ） (2021-03-04T14:09:37Z)
• 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)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• Defense-PointNet: Protecting PointNet Against Adversarial Attacks [19.814951750594574]
  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。
  論文  参考訳（メタデータ） (2020-02-27T02:35:08Z)

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。