論文の概要: 3DeformRS: Certifying Spatial Deformations on Point Clouds

• arxiv url: http://arxiv.org/abs/2204.05687v1
• Date: Tue, 12 Apr 2022 10:24:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 20:16:09.948882
• Title: 3DeformRS: Certifying Spatial Deformations on Point Clouds
• Title（参考訳）: 3DeformRS: 点雲上の空間的変形の認証
• Authors: Gabriel P\'erez S., Juan C. P\'erez, Motasem Alfarra, Silvio Giancola, Bernard Ghanem
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.62846778591536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D computer vision models are commonly used in security-critical applications such as autonomous driving and surgical robotics. Emerging concerns over the robustness of these models against real-world deformations must be addressed practically and reliably. In this work, we propose 3DeformRS, a method to certify the robustness of point cloud Deep Neural Networks (DNNs) against real-world deformations. We developed 3DeformRS by building upon recent work that generalized Randomized Smoothing (RS) from pixel-intensity perturbations to vector-field deformations. In particular, we specialized RS to certify DNNs against parameterized deformations (e.g. rotation, twisting), while enjoying practical computational costs. We leverage the virtues of 3DeformRS to conduct a comprehensive empirical study on the certified robustness of four representative point cloud DNNs on two datasets and against seven different deformations. Compared to previous approaches for certifying point cloud DNNs, 3DeformRS is fast, scales well with point cloud size, and provides comparable-to-better certificates. For instance, when certifying a plain PointNet against a 3{\deg} z-rotation on 1024-point clouds, 3DeformRS grants a certificate 3x larger and 20x faster than previous work.
• Abstract（参考訳）: 3dコンピュータビジョンモデルは、自動運転や手術ロボティクスなどのセキュリティクリティカルなアプリケーション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、実用的かつ確実に対処する必要がある。 本研究では,実世界の変形に対するdnn(point cloud deep neural networks)のロバスト性を検証する3deformrsを提案する。 我々は、画素強度の摂動からベクトル場変形へのランダム化平滑化(RS)を一般化した最近の研究に基づいて、3DeformRSを開発した。 特に, DNNのパラメータ化変形(回転, ねじれなど)に対して, 実用的な計算コストを享受しながら, DNNの認証を専門に行う。 2つのデータセットと7つの異なる変形に対して、4つの代表的ポイントクラウドdnnの認定ロバスト性に関する包括的実証研究を行うために、3deformrの利点を利用する。 ポイントクラウドDNNの認定に対する従来のアプローチと比較して、3DeformRSは高速で、ポイントクラウドサイズによく対応し、同等の証明書を提供する。 例えば、1024点の雲上の3{\deg} z回転に対してプレーンポイントネットを認証する場合、3デフォルマは証明書を3倍大きく20倍高速に許可する。

関連論文リスト

• 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)
• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• Sample-adaptive Augmentation for Point Cloud Recognition Against Real-world Corruptions [20.95456179904285]
  本稿では,サンプルの構造に基づくサンプル適応変換をAdaptPointと命名する手法を提案する。 判別器は、原データ分布から逸脱する過度な腐敗の発生を防止するために用いられる。 実験の結果,ModelNet-C,ScanObjectNN-C,ShapeNet-C など,複数の汚損評価ベンチマークにおいて,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-09-19T08:46:43Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• 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)
• 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)
• DeformRS: Certifying Input Deformations with Randomized Smoothing [121.88209420825582]
  深層ニューラルネットワークは、画素変位のベクトル場の形での入力変形に対して脆弱である。 一般ベクトル場とパラメータ化変形の両方に対するランダムな平滑化設定における認証を再構成する。 我々の新しい定式化は、大きな入力データセット上の大きなネットワークにスケールする。
  論文  参考訳（メタデータ） (2021-07-02T12:20:15Z)
• Robustness Certification for Point Cloud Models [10.843109238068982]
  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。
  論文  参考訳（メタデータ） (2021-03-30T19:52:07Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。