論文の概要: Boosting 3D Adversarial Attacks with Attacking On Frequency

• arxiv url: http://arxiv.org/abs/2201.10937v1
• Date: Wed, 26 Jan 2022 13:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 18:03:22.517406
• Title: Boosting 3D Adversarial Attacks with Attacking On Frequency
• Title（参考訳）: 周波数攻撃による3次元攻撃の促進
• Authors: Binbin Liu, Jinlai Zhang, Lyujie Chen, Jihong Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.577812580043734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNNs) have been shown to be vulnerable to adversarial attacks. Recently, 3D adversarial attacks, especially adversarial attacks on point clouds, have elicited mounting interest. However, adversarial point clouds obtained by previous methods show weak transferability and are easy to defend. To address these problems, in this paper we propose a novel point cloud attack (dubbed AOF) that pays more attention on the low-frequency component of point clouds. We combine the losses from point cloud and its low-frequency component to craft adversarial samples. Extensive experiments validate that AOF can improve the transferability significantly compared to state-of-the-art (SOTA) attacks, and is more robust to SOTA 3D defense methods. Otherwise, compared to clean point clouds, adversarial point clouds obtained by AOF contain more deformation than outlier.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが示されている。 近年,3次元対向攻撃,特に点雲に対する対向攻撃が増加傾向にある。 しかし、先行手法で得られた逆点雲は移動性が弱く、防御が容易である。 これらの問題に対処するため,本論文では,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攻撃(AOF)を提案する。 我々は、点雲とその低周波成分からの損失を組み合わせ、敵のサンプルを製作する。 大規模な実験により、AOFは最新技術(SOTA)攻撃と比較して転写性を大幅に改善し、SOTA3D防御法よりも堅牢であることが示された。 さもなければ、クリーンポイントの雲と比較して、aofによって得られる逆ポイントの雲は、外れ値よりも多くの変形を含んでいる。

関連論文リスト

• Transferable 3D Adversarial Shape Completion using Diffusion Models [8.323647730916635]
  3Dポイントクラウド機能学習は、3Dディープラーニングモデルのパフォーマンスを大幅に改善した。 既存の攻撃方法は、主にホワイトボックスのシナリオに焦点を当てており、最近提案された3Dディープラーニングモデルへの移行に苦労している。 本稿では,拡散モデルを用いて高品質な対向点雲を生成する。 提案した攻撃は、ブラックボックスモデルとディフェンスの両方に対して、最先端の敵攻撃法より優れている。
  論文  参考訳（メタデータ） (2024-07-14T04:51:32Z)
• Hide in Thicket: Generating Imperceptible and Rational Adversarial Perturbations on 3D Point Clouds [62.94859179323329]
  3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。 そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。 我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
  論文  参考訳（メタデータ） (2024-03-08T12:08:06Z)
• Benchmarking and Analyzing Robust Point Cloud Recognition: Bag of Tricks for Defending Adversarial Examples [25.029854308139853]
  3Dポイントクラウド上の敵の例は、2Dイメージ上のものよりも防御が難しい。 本稿では、まず、総合的で厳密なクラウド対逆ロバスト性ベンチマークを確立する。 次に、これらのトリックの効果的な組み合わせを特定するために、広範囲かつ体系的な実験を行う。 我々は、様々な攻撃に対して平均83.45%の精度を達成する、より堅牢な防御フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-07-31T01:34:24Z)
• Adaptive Local Adversarial Attacks on 3D Point Clouds for Augmented Reality [10.118505317224683]
  敵対的な例は、3Dニューラルネットワークモデルの堅牢性を改善する上で有益である。 ほとんどの3次元対向攻撃法は、全点の雲を乱して敵の例を生成する。 本稿では,3次元点群に適応的局所対向攻撃法(AL-Adv)を提案し,対向点群を生成する。
  論文  参考訳（メタデータ） (2023-03-12T11:52:02Z)
• Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive Diffusion [70.60038549155485]
  ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、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脅威をもたらす。 本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:32:43Z)
• 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)
• 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)
• 3D Adversarial Attacks Beyond Point Cloud [8.076067288723133]
  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。
  論文  参考訳（メタデータ） (2021-04-25T13:01:41Z)
• 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)
• 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。