論文の概要: Shape-invariant 3D Adversarial Point Clouds

• arxiv url: http://arxiv.org/abs/2203.04041v1
• Date: Tue, 8 Mar 2022 12:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 14:51:30.404455
• Title: Shape-invariant 3D Adversarial Point Clouds
• Title（参考訳）: 形状不変3次元逆点雲
• Authors: Qidong Huang and Xiaoyi Dong and Dongdong Chen and Hang Zhou and Weiming Zhang and Nenghai Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 111.72163188681807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversary and invisibility are two fundamental but conflict characters of adversarial perturbations. Previous adversarial attacks on 3D point cloud recognition have often been criticized for their noticeable point outliers, since they just involve an "implicit constrain" like global distance loss in the time-consuming optimization to limit the generated noise. While point cloud is a highly structured data format, it is hard to metric and constrain its perturbation with a simple loss properly. In this paper, we propose a novel Point-Cloud Sensitivity Map to boost both the efficiency and imperceptibility of point perturbations. This map reveals the vulnerability of point cloud recognition models when encountering shape-invariant adversarial noises. These noises are designed along the shape surface with an "explicit constrain" instead of extra distance loss. Specifically, we first apply a reversible coordinate transformation on each point of the point cloud input, to reduce one degree of point freedom and limit its movement on the tangent plane. Then we calculate the best attacking direction with the gradients of the transformed point cloud obtained on the white-box model. Finally we assign each point with a non-negative score to construct the sensitivity map, which benefits both white-box adversarial invisibility and black-box query-efficiency extended in our work. Extensive evaluations prove that our method can achieve the superior performance on various point cloud recognition models, with its satisfying adversarial imperceptibility and strong resistance to different point cloud defense settings. Our code is available at: https://github.com/shikiw/SI-Adv.
• Abstract（参考訳）: 敵意と不可視性は、敵意の摂動の2つの基本的だが対立的な特徴である。 3dポイントクラウド認識に対する以前の敵対的攻撃は、生成されたノイズを制限するための時間消費最適化における大域的距離損失のような「簡単な制約」を伴っているため、その注目すべきポイント外れ値についてしばしば批判されている。 ポイントクラウドは高度に構造化されたデータフォーマットであるが、メトリックスやその摂動を適切に制限することは困難である。 本稿では,点摂動の効率性と可視性を高めるための,新しい点雲感度マップを提案する。 このマップは、形状不変の逆向きノイズに遭遇する際のポイントクラウド認識モデルの脆弱性を明らかにする。 これらのノイズは形状面に沿って設計され、余分な距離損失の代わりに「拡張制約」がある。 具体的には、まず点クラウド入力の各点に対して可逆座標変換を適用し、点の自由度を1度削減し、接平面上での動きを制限する。 そして,ホワイトボックスモデルで得られた変質点雲の勾配を用いて,最善の攻撃方向を計算する。 最後に、各点に非負のスコアを割り当てて感度マップを構築することで、ホワイトボックスの逆視性とブラックボックスのクエリ効率を両立させる。 提案手法は, 各種点雲認識モデルにおいて, 対角的非受容性と異なる点雲防御条件に対する強い抵抗性を満足して, 優れた性能が得られることを示す。 私たちのコードは、https://github.com/shikiw/SI-Adv.comで利用可能です。

関連論文リスト

• 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)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Local Aggressive Adversarial Attacks on 3D Point Cloud [12.121901103987712]
  ディープニューラルネットワークは、モデルを意図的に騙してミスを犯すような敵の例をしがちだ。 本稿では,上記の課題を解決するために,攻撃的攻撃的攻撃攻撃(L3A)を提案する。 PointNet, PointNet++ および DGCNN を用いた実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2021-05-19T12:22:56Z)
• 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)
• PointGuard: Provably Robust 3D Point Cloud Classification [30.954481481297563]
  3Dポイントクラウド分類には、自律運転やロボットグリップなど、多くの安全クリティカルな応用がある。 特に、攻撃者は、少数のポイントを慎重に修正、追加、削除することで、3Dポイントクラウドの誤ラベルを予測することができる。 我々は,敵の修正点,追加点,削除点に対するロバスト性を保証する最初の防御手法であるpointguardを提案する。
  論文  参考訳（メタデータ） (2021-03-04T14:09:37Z)
• 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。