論文の概要: Robustness Certification for Point Cloud Models
- arxiv url: http://arxiv.org/abs/2103.16652v1
- Date: Tue, 30 Mar 2021 19:52:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:49:26.128417
- Title: Robustness Certification for Point Cloud Models
- Title(参考訳): ポイントクラウドモデルのロバスト性認定
- Authors: Tobias Lorenz, Anian Ruoss, Mislav Balunovi\'c, Gagandeep Singh,
Martin Vechev
- Abstract要約: ポイントクラウドモデルのロバスト性を証明できる最初の検証器である3DCertifyを導入する。
3DCertifyは、2つの重要な洞察に基づいています:(i)第一次テイラー近似に基づくジェネリックリラクゼーション、および(ii)グローバル機能プーリングのための正確なリラクゼーション。
幅広い3D変換で広範囲な評価を行うことで、3DCertifyの有効性を実証します。
- 参考スコア(独自算出の注目度): 10.843109238068982
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of deep 3D point cloud models in safety-critical applications, such
as autonomous driving, dictates the need to certify the robustness of these
models to semantic transformations. This is technically challenging as it
requires a scalable verifier tailored to point cloud models that handles a wide
range of semantic 3D transformations. In this work, we address this challenge
and introduce 3DCertify, the first verifier able to certify robustness of point
cloud models. 3DCertify is based on two key insights: (i) a generic relaxation
based on first-order Taylor approximations, applicable to any differentiable
transformation, and (ii) a precise relaxation for global feature pooling, which
is more complex than pointwise activations (e.g., ReLU or sigmoid) but commonly
employed in point cloud models. We demonstrate the effectiveness of 3DCertify
by performing an extensive evaluation on a wide range of 3D transformations
(e.g., rotation, twisting) for both classification and part segmentation tasks.
For example, we can certify robustness against rotations by $\pm60^\circ$ for
95.7% of point clouds, and our max pool relaxation increases certification by
up to 15.6%.
- Abstract(参考訳): 自律運転のような安全クリティカルなアプリケーションにおける深部3Dポイントクラウドモデルの使用は、セマンティックトランスフォーメーションへのこれらのモデルの堅牢性を証明する必要性を規定している。
幅広いセマンティック3D変換を処理するポイントクラウドモデルに適したスケーラブルな検証器を必要とするため、技術的には難しい。
本研究では,この課題に対処し,ポイントクラウドモデルの堅牢性を証明する最初の検証器である3DCertifyを導入する。
3dcertify は、2つの重要な洞察に基づいている: (i) 任意の微分可能変換に適用可能な一階テイラー近似に基づく一般的な緩和、(ii) ポイントワイズアクティベーション(例えば relu や sigmoid)よりも複雑であるが、ポイントクラウドモデルで一般的に使われるグローバル特徴プーリングの正確な緩和。
分類作業と部分分割作業の両方に対して,広範囲な3次元変換(回転,ねじれなど)を広範囲に評価することにより,3DCertifyの有効性を実証する。
例えば、95.7%の点雲に対して$\pm60^\circ$で回転に対するロバスト性を証明でき、最大プール緩和は15.6%まで向上する。
関連論文リスト
- CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。
これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。
本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
論文 参考訳(メタデータ) (2024-07-23T05:35:04Z) - Adaptive Point Transformer [88.28498667506165]
Adaptive Point Cloud Transformer (AdaPT) は、適応トークン選択機構によって強化された標準PTモデルである。
AdaPTは推論中のトークン数を動的に削減し、大きな点雲の効率的な処理を可能にする。
論文 参考訳(メタデータ) (2024-01-26T13:24:45Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - 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) - GeoMAE: Masked Geometric Target Prediction for Self-supervised Point
Cloud Pre-Training [16.825524577372473]
幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。
我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。
私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
論文 参考訳(メタデータ) (2023-05-15T17:14:55Z) - Dual Adaptive Transformations for Weakly Supervised Point Cloud
Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。
我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文 参考訳(メタデータ) (2022-07-19T05:43:14Z) - 3DVerifier: Efficient Robustness Verification for 3D Point Cloud Models [17.487852393066458]
既存のポイントクラウドモデルの検証手法は,大規模ネットワーク上で時間的・計算的に実現不可能である。
本稿では,2つの問題に対処する3DVerifierを提案し,線形緩和関数を適用して乗算層を結合し,前方と後方の伝搬を結合する。
提案手法は,大規模ネットワークにおける検証効率のオーダー・オブ・マグニチュード向上を実現し,得られた認証境界も最先端の検証器よりもかなり厳密である。
論文 参考訳(メタデータ) (2022-07-15T15:31:16Z) - 3DeformRS: Certifying Spatial Deformations on Point Clouds [61.62846778591536]
3Dコンピュータビジョンモデルは、自律運転や外科ロボティクスといったセキュリティクリティカルな用途で一般的に使われている。
これらのモデルの実世界の変形に対する堅牢性に対する懸念は、実用的かつ確実に解決されなければならない。
本稿では,実世界の変形に対して,点雲深部ニューラルネットワーク(DNN)のロバスト性を検証する手法である3DeformRSを提案する。
論文 参考訳(メタデータ) (2022-04-12T10:24:31Z) - TPC: Transformation-Specific Smoothing for Point Cloud Models [9.289813586197882]
本稿では,意味的変換攻撃に対するポイントクラウドモデルの堅牢性を保証する,変換特異的な平滑化フレームワークTPCを提案する。
いくつかの一般的な3D変換の実験は、TPCが芸術の状態を著しく上回っていることを示している。
論文 参考訳(メタデータ) (2022-01-30T05:41:50Z) - Point-BERT: Pre-training 3D Point Cloud Transformers with Masked Point
Modeling [104.82953953453503]
BERTの概念を3Dポイントクラウドに一般化するための新しいパラダイムであるPoint-BERTを提案する。
提案したBERTスタイルの事前学習戦略は,標準点クラウドトランスフォーマーの性能を著しく向上することを示す実験である。
論文 参考訳(メタデータ) (2021-11-29T18:59:03Z)
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。