論文の概要: 3DVerifier: Efficient Robustness Verification for 3D Point Cloud Models
- arxiv url: http://arxiv.org/abs/2207.07539v1
- Date: Fri, 15 Jul 2022 15:31:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 13:44:23.289716
- Title: 3DVerifier: Efficient Robustness Verification for 3D Point Cloud Models
- Title（参考訳）: 3dverifier: 3dポイントクラウドモデルの効率的なロバスト性検証
- Authors: Ronghui Mu, Wenjie Ruan, Leandro S. Marcolino and Qiang Ni
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.487852393066458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D point cloud models are widely applied in safety-critical scenes, which
delivers an urgent need to obtain more solid proofs to verify the robustness of
models. Existing verification method for point cloud model is time-expensive
and computationally unattainable on large networks. Additionally, they cannot
handle the complete PointNet model with joint alignment network (JANet) that
contains multiplication layers, which effectively boosts the performance of 3D
models. This motivates us to design a more efficient and general framework to
verify various architectures of point cloud models. The key challenges in
verifying the large-scale complete PointNet models are addressed as dealing
with the cross-non-linearity operations in the multiplication layers and the
high computational complexity of high-dimensional point cloud inputs and added
layers. Thus, we propose an efficient verification framework, 3DVerifier, to
tackle both challenges by adopting a linear relaxation function to bound the
multiplication layer and combining forward and backward propagation to compute
the certified bounds of the outputs of the point cloud models. Our
comprehensive experiments demonstrate that 3DVerifier outperforms existing
verification algorithms for 3D models in terms of both efficiency and accuracy.
Notably, our approach achieves an orders-of-magnitude improvement in
verification efficiency for the large network, and the obtained certified
bounds are also significantly tighter than the state-of-the-art verifiers. We
release our tool 3DVerifier via https://github.com/TrustAI/3DVerifier for use
by the community.
- Abstract（参考訳）: 3dポイントクラウドモデルは安全クリティカルな場面で広く適用されており、モデルの堅牢性を検証するためにより確固たる証明を得る必要がある。
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・計算的に不可能である。
さらに、3Dモデルの性能を効果的に向上させるため、乗算層を含むジョイントアライメントネットワーク(JANet)で完全なPointNetモデルを扱うことはできない。
これは、ポイントクラウドモデルの様々なアーキテクチャを検証するために、より効率的で一般的なフレームワークを設計する動機となります。
大規模完全ポイントネットモデルの検証における重要な課題は、乗算層における非線型操作と高次元ポイントクラウド入力と付加層との計算複雑性を扱うことである。
そこで本研究では, 線形緩和関数を乗算層境界に適用し, 前方および後方の伝搬を組み合わせ, ポイントクラウドモデルの出力の認定境界を計算することにより, 両課題に対処する効率的な検証フレームワークである3DVerifierを提案する。
包括的実験により, 3DVerifierは, 効率と精度の両面で既存の3Dモデルの検証アルゴリズムより優れていることが示された。
特に,本手法は,大規模ネットワークの検証効率の桁違いな改善を実現し,取得した認定限界は最先端検証器よりもかなり密接である。
私たちは、コミュニティが使用する3DVerifierツールをhttps://github.com/TrustAI/3DVerifierでリリースしています。
関連論文リスト
- DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。
事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。
本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
論文 参考訳（メタデータ） (2024-07-02T09:33:32Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。
本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。
さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
論文 参考訳（メタデータ） (2023-01-10T16:22:04Z) - Flow-based GAN for 3D Point Cloud Generation from a Single Image [16.04710129379503]
本稿では,任意の解像度の点群をサンプリングするためのフローベース明示的生成モデルを継承する,ハイブリッドな明示的生成モデルを提案する。
大規模合成データセットShapeNetについて評価し,提案手法の優れた性能を示す実験結果を得た。
論文 参考訳（メタデータ） (2022-10-08T17:58:20Z) - 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) - 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) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-12T06:25:11Z) - 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) - Point Transformer for Shape Classification and Retrieval of 3D and ALS
Roof PointClouds [3.3744638598036123]
本稿では,リッチポイントクラウド表現の導出を目的とした,完全注意モデルであるem Point Transformerを提案する。
モデルの形状分類と検索性能は,大規模都市データセット - RoofN3D と標準ベンチマークデータセット ModelNet40 で評価される。
提案手法は、RoofN3Dデータセットの他の最先端モデルよりも優れており、ModelNet40ベンチマークで競合する結果を与え、目に見えない点の破損に対して高い堅牢性を示す。
論文 参考訳（メタデータ） (2020-11-08T08:11:02Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳（メタデータ） (2020-07-04T13:57:43Z)
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。