論文の概要: 3D Adversarial Attacks Beyond Point Cloud

• arxiv url: http://arxiv.org/abs/2104.12146v1
• Date: Sun, 25 Apr 2021 13:01:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 08:40:52.446635
• Title: 3D Adversarial Attacks Beyond Point Cloud
• Title（参考訳）: ポイントクラウドを超えた3d攻撃
• Authors: Jinlai Zhang, Lyujie Chen, Binbin Liu, Bo Ouyang, Qizhi Xie, Jihong Zhu, Yanmei Meng
• Abstract要約: 従来の3Dポイントクラウドに対する攻撃は主に、元のポイントクラウドに摂動を追加することに焦点を当てていた。 この問題に対処するため,新たな攻撃手法であるMesh Attackを提案する。
• 参考スコア（独自算出の注目度）: 8.076067288723133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previous adversarial attacks on 3D point clouds mainly focus on add perturbation to the original point cloud, but the generated adversarial point cloud example does not strictly represent a 3D object in the physical world and has lower transferability or easily defend by the simple SRS/SOR. In this paper, we present a novel adversarial attack, named Mesh Attack to address this problem. Specifically, we perform perturbation on the mesh instead of point clouds and obtain the adversarial mesh examples and point cloud examples simultaneously. To generate adversarial examples, we use a differential sample module that back-propagates the loss of point cloud classifier to the mesh vertices and a mesh loss that regularizes the mesh to be smooth. Extensive experiments demonstrated that the proposed scheme outperforms the SOTA attack methods. Our code is available at: {\footnotesize{\url{https://github.com/cuge1995/Mesh-Attack}}}.
• Abstract（参考訳）: 従来の3Dポイントクラウドに対する敵攻撃は主に、元のポイントクラウドに摂動を加えることに焦点を当てていたが、生成された敵ポイントクラウドの例は、物理的世界の3Dオブジェクトを厳密に表現するものではなく、転送可能性も低く、単純なSRS/SORによって容易に防御できる。 本稿では,この問題を解決するために,Mesh攻撃という新たな敵攻撃を提案する。 具体的には、ポイントクラウドの代わりにメッシュ上で摂動を行い、逆メッシュの例とポイントクラウドの例を同時に取得する。 逆の例を生成するために、ポイントクラウド分類器の損失をメッシュ頂点にバックプロパゲーションする差分サンプルモジュールと、メッシュを滑らかに規則化するメッシュ損失を使用する。 広範な実験により,提案手法がsota攻撃法を上回った。 私たちのコードは、次のように利用できる。

関連論文リスト

• epsilon-Mesh Attack: A Surface-based Adversarial Point Cloud Attack for Facial Expression Recognition [0.8192907805418583]
  一般的な方法は、勾配方向を追従して入力をわずかに変化させる敵攻撃を用いることである。 本稿では,メッシュ表面上の摂動を制限することで,点クラウドデータを操作する「$epsilon$-Mesh Attack」という逆攻撃を提案する。 我々の手法は、訓練済みのDGCNNとPointNetモデルに99.72%$と9.06%$を混乱させ、顔の変形を区別できないものにした。
  論文  参考訳（メタデータ） (2024-03-11T12:29:55Z)
• 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)
• 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)
• Boosting 3D Adversarial Attacks with Attacking On Frequency [6.577812580043734]
  我々は、ポイントクラウドの低周波成分により多くの注意を払う新しいポイントクラウドアタック(AOFと呼ばれる)を提案する。 実験により、AOFは最先端(SOTA)攻撃と比較して、転送可能性を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-01-26T13:52:17Z)
• 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)
• 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)
• 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)
• 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)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)

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。