論文の概要: Adversarial Attack by Limited Point Cloud Surface Modifications
- arxiv url: http://arxiv.org/abs/2110.03745v1
- Date: Thu, 7 Oct 2021 18:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 08:33:26.922196
- Title: Adversarial Attack by Limited Point Cloud Surface Modifications
- Title（参考訳）: 有限点雲表面改質による対向攻撃
- Authors: Atrin Arya, Hanieh Naderi and Shohreh Kasaei
- Abstract要約: 敵の攻撃方法は 点雲の外観を維持するのに十分な点修正を制限しない。
提案手法は,点雲の主表面を探索するために,アルゴリズムの開始時に高ステップサイズを用いてこの問題に対処する。
得られた結果から,少数の点修正しか行わず,攻撃を成功させ,最先端の成果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）: 11.325135016306165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent research has revealed that the security of deep neural networks that
directly process 3D point clouds to classify objects can be threatened by
adversarial samples. Although existing adversarial attack methods achieve high
success rates, they do not restrict the point modifications enough to preserve
the point cloud appearance. To overcome this shortcoming, two constraints are
proposed. These include applying hard boundary constraints on the number of
modified points and on the point perturbation norms. Due to the restrictive
nature of the problem, the search space contains many local maxima. The
proposed method addresses this issue by using a high step-size at the beginning
of the algorithm to search the main surface of the point cloud fast and
effectively. Then, in order to converge to the desired output, the step-size is
gradually decreased. To evaluate the performance of the proposed method, it is
run on the ModelNet40 and ScanObjectNN datasets by employing the
state-of-the-art point cloud classification models; including PointNet,
PointNet++, and DGCNN. The obtained results show that it can perform successful
attacks and achieve state-of-the-art results by only a limited number of point
modifications while preserving the appearance of the point cloud. Moreover, due
to the effective search algorithm, it can perform successful attacks in just a
few steps. Additionally, the proposed step-size scheduling algorithm shows an
improvement of up to $14.5\%$ when adopted by other methods as well. The
proposed method also performs effectively against popular defense methods.
- Abstract（参考訳）: 近年の研究では、3Dポイントクラウドを直接処理してオブジェクトを分類するディープニューラルネットワークのセキュリティが、敵のサンプルによって脅かされる可能性があることが明らかになった。
既存の攻撃手法は高い成功率を達成しているが、ポイントクラウドの外観を維持するのに十分なポイント変更を制限していない。
この欠点を克服するため、2つの制約が提案されている。
これには、修正点の数と点摂動ノルムにハード境界制約を適用することが含まれる。
問題の制限性のため、探索空間は多くの局所最大値を含んでいる。
提案手法は,アルゴリズムの初めのステップサイズを用いて,点雲の主表面を高速かつ効率的に探索することでこの問題に対処する。
そして、所望の出力に収束するために、ステップサイズを徐々に小さくする。
提案手法の性能を評価するために,ポイントネット,ポイントネット++,DGCNNを含む最先端のクラウド分類モデルを用いて,ModelNet40およびScanObjectNNデータセット上で動作する。
その結果,ポイントクラウドの出現を保ちつつ,限られた数のポイント修正だけで,攻撃を成功させ,最先端の成果を得ることができた。
さらに,効率的な探索アルゴリズムにより,わずか数ステップで攻撃を成功させることができる。
さらに,提案するステップサイズスケジューリングアルゴリズムは,他の手法でも適用した場合に最大14.5\%$の改善を示す。
提案手法は,一般的な防御手法に対して効果的に機能する。
関連論文リスト
- Tailoring Adversarial Attacks on Deep Neural Networks for Targeted Class Manipulation Using DeepFool Algorithm [6.515472477685614]
敵対的攻撃に対するディープニューラルネットワーク(DNN)の感受性は、多くのアプリケーションにまたがる信頼性を損なう。
本稿では,DeepFoolの進化であるET DeepFoolアルゴリズムを紹介する。
我々の実証的研究は、画像の整合性を維持する上で、この洗練されたアプローチが優れていることを示すものである。
論文 参考訳（メタデータ） (2023-10-18T18:50:39Z) - Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
本稿では,各種ノイズによる点雲分類の課題について述べる。
本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。
提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
論文 参考訳（メタデータ） (2023-07-20T13:47:30Z) - FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。
我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。
ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-05-11T16:56:26Z) - 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) - 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) - Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。
近年の取り組みは、他の等級のl_infty摂動と組み合わせている。
本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-10T20:11:36Z) - PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。
2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
論文 参考訳（メタデータ） (2021-01-05T11:39:06Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z)
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。