論文の概要: LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of
Point Cloud-based Deep Networks
- arxiv url: http://arxiv.org/abs/2011.00566v1
- Date: Sun, 1 Nov 2020 17:17:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:46:27.573134
- Title: LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of
Point Cloud-based Deep Networks
- Title（参考訳）: LG-GAN: ポイントクラウド型ディープネットワークのフレキシブルターゲット攻撃のためのラベル付きアドバイサルネットワーク
- Authors: Hang Zhou, Dongdong Chen, Jing Liao, Weiming Zhang, Kejiang Chen,
Xiaoyi Dong, Kunlin Liu, Gang Hua and Nenghai Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 123.5839352227726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have made tremendous progress in 3D point-cloud
recognition. Recent works have shown that these 3D recognition networks are
also vulnerable to adversarial samples produced from various attack methods,
including optimization-based 3D Carlini-Wagner attack, gradient-based iterative
fast gradient method, and skeleton-detach based point-dropping. However, after
a careful analysis, these methods are either extremely slow because of the
optimization/iterative scheme, or not flexible to support targeted attack of a
specific category. To overcome these shortcomings, this paper proposes a novel
label guided adversarial network (LG-GAN) for real-time flexible targeted point
cloud attack. To the best of our knowledge, this is the first generation based
3D point cloud attack method. By feeding the original point clouds and target
attack label into LG-GAN, it can learn how to deform the point clouds to
mislead the recognition network into the specific label only with a single
forward pass. In detail, LGGAN first leverages one multi-branch adversarial
network to extract hierarchical features of the input point clouds, then
incorporates the specified label information into multiple intermediate
features using the label encoder. Finally, the encoded features will be fed
into the coordinate reconstruction decoder to generate the target adversarial
sample. By evaluating different point-cloud recognition models (e.g., PointNet,
PointNet++ and DGCNN), we demonstrate that the proposed LG-GAN can support
flexible targeted attack on the fly while guaranteeing good attack performance
and higher efficiency simultaneously.
- Abstract（参考訳）: ディープニューラルネットワークは3Dポイントクラウド認識において大きな進歩を遂げている。
近年の研究では、これらの3d認識ネットワークは、最適化に基づく3dcarlyni-wagner攻撃、勾配に基づく反復高速勾配法、スケルトンデタックに基づくポイントドロップなど、様々な攻撃方法から生成された敵のサンプルにも脆弱であることが示されている。
しかしながら、注意深い分析の後、最適化/イテレーティブスキームのためにこれらの手法は非常に遅いか、特定のカテゴリのターゲット攻撃をサポートする柔軟性がないかのどちらかである。
そこで本稿では,これらの欠点を克服するために,リアルタイムフレキシブル・ターゲット・ポイント・クラウド攻撃のための新しいラベルガイド・アドバーサリー・ネットワーク(lg-gan)を提案する。
私たちの知る限りでは、これは第1世代ベースの3dポイントクラウド攻撃方法です。
元のポイントクラウドとターゲットアタックラベルをLG-GANに入力することで、ポイントクラウドを変形させ、認識ネットワークを1つのフォワードパスでのみ特定のラベルに誤解させる方法を学ぶことができる。
詳細では、LGGANはまず1つのマルチブランチ対向ネットワークを利用して入力点雲の階層的特徴を抽出し、次にラベルエンコーダを用いて指定されたラベル情報を複数の中間機能に組み込む。
最後に、符号化された特徴を座標再構成復号器に供給し、ターゲット対向サンプルを生成する。
異なるポイントクラウド認識モデル(PointNet、PointNet++、DGCNNなど)を評価することで、提案したLG-GANは、優れた攻撃性能と高い効率を同時に保証しつつ、フレキシブルなターゲット攻撃をサポートできることを実証する。
関連論文リスト
- 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) - No-Box Attacks on 3D Point Cloud Classification [35.55129060534018]
敵対的攻撃は、ディープニューラルネットワーク(DNN)に基づく様々な入力信号の分析に深刻な課題をもたらす。
本稿では,14点の雲の特徴を定義し,これらの特徴が対向点予測に利用できるかどうかを検討する。
実験により、4つの異なるネットワークの対立点を予測できる機能の組み合わせが示されている。
論文 参考訳（メタデータ） (2022-10-19T21:52:01Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - 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) - Dynamics-aware Adversarial Attack of 3D Sparse Convolution Network [75.1236305913734]
ディープニューラルネットワークにおける動的に認識される敵攻撃問題について検討する。
ほとんどの既存の敵攻撃アルゴリズムは基本的な前提の下で設計されており、ネットワークアーキテクチャは攻撃プロセス全体を通して固定されている。
本稿では,LGM(Leaded Gradient Method)を提案する。
論文 参考訳（メタデータ） (2021-12-17T10:53:35Z) - 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) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - 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。