論文の概要: Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets
Graph Signal Processing
- arxiv url: http://arxiv.org/abs/2207.13326v1
- Date: Wed, 27 Jul 2022 07:02:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:51:29.052684
- Title: Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets
Graph Signal Processing
- Title(参考訳): グラフスペクトル領域におけるポイントクラウド攻撃:3次元幾何学とグラフ信号処理
- Authors: Daizong Liu, Wei Hu, Xin Li
- Abstract要約: ポイントクラウド学習モデルは敵の攻撃に弱いことが示されている。
本稿では,様々な幾何学的構造に対応するスペクトル領域におけるグラフ変換係数の摂動を目的としたグラフスペクトル領域攻撃を提案する。
実験結果から,提案攻撃の有効性を,非受容性と攻撃成功率の両方の観点から検証した。
- 参考スコア(独自算出の注目度): 21.121036441677838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing attention in various 3D safety-critical applications,
point cloud learning models have been shown to be vulnerable to adversarial
attacks. Although existing 3D attack methods achieve high success rates, they
delve into the data space with point-wise perturbation, which may neglect the
geometric characteristics. Instead, we propose point cloud attacks from a new
perspective -- the graph spectral domain attack, aiming to perturb graph
transform coefficients in the spectral domain that corresponds to varying
certain geometric structure. Specifically, leveraging on graph signal
processing, we first adaptively transform the coordinates of points onto the
spectral domain via graph Fourier transform (GFT) for compact representation.
Then, we analyze the influence of different spectral bands on the geometric
structure, based on which we propose to perturb the GFT coefficients via a
learnable graph spectral filter. Considering the low-frequency components
mainly contribute to the rough shape of the 3D object, we further introduce a
low-frequency constraint to limit perturbations within imperceptible
high-frequency components. Finally, the adversarial point cloud is generated by
transforming the perturbed spectral representation back to the data domain via
the inverse GFT. Experimental results demonstrate the effectiveness of the
proposed attack in terms of both the imperceptibility and attack success rates.
- Abstract(参考訳): 様々な3D安全クリティカルなアプリケーションに注目が集まる中、ポイントクラウド学習モデルは敵の攻撃に対して脆弱であることが示されている。
既存の3D攻撃手法は高い成功率を達成するが、点の摂動でデータ空間を探索し、幾何学的特性を無視する可能性がある。
代わりに、ある幾何学的構造に対応するスペクトル領域のグラフ変換係数を摂動させることを目的として、グラフスペクトル領域攻撃という新しい視点からポイントクラウド攻撃を提案する。
具体的には、グラフ信号処理を利用して、まず、コンパクトな表現のためにグラフフーリエ変換(GFT)を用いて、点の座標をスペクトル領域に適応的に変換する。
そこで, 学習可能なグラフスペクトルフィルタを用いてGFT係数を摂動させることにより, 異なるスペクトル帯域が幾何構造に与える影響を解析する。
また,低周波成分は主に3次元物体の粗い形状に寄与すると考えられるため,受動高周波成分内の摂動を制限するために低周波制約を導入する。
そして、逆GFTを介して、摂動スペクトル表現をデータ領域に戻すことにより、対向点雲を生成する。
実験の結果, 提案手法の有効性が, 受動性および攻撃成功率の両面で示された。
関連論文リスト
- Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。
また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
論文 参考訳(メタデータ) (2024-02-12T13:20:52Z) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳(メタデータ) (2023-10-03T17:42:09Z) - PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis [82.91576069955619]
学習可能なグラフウェーブレット変換を用いてスペクトル領域の局所グラフを探索する新しい手法であるPointWaveletを導入する。
具体的には、まずグラフウェーブレット変換を導入し、マルチスケールのスペクトルグラフ畳み込みを行い、効率的な局所構造表現を学習する。
時間を要するスペクトル分解を避けるため、学習可能なグラフウェーブレット変換を考案し、全体のトレーニングプロセスを大幅に高速化する。
論文 参考訳(メタデータ) (2023-02-10T12:07:26Z) - Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。
骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。
SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
論文 参考訳(メタデータ) (2022-07-31T05:51:39Z) - Graph Structural Attack by Spectral Distance [35.998704625736394]
グラフ畳み込みネットワーク(GCN)は、グラフ学習タスクにおける優れたパフォーマンスのために、関心の高まりを助長している。
本稿では,フーリエ領域におけるグラフスペクトルフィルタの破壊に有効なグラフ構造攻撃について検討する。
論文 参考訳(メタデータ) (2021-11-01T04:02:34Z) - A Hierarchical Graph Signal Processing Approach to Inference from
Spatiotemporal Signals [14.416786768268233]
グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。
本稿では,階層的特徴抽出手法の開発に活用する。
Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
論文 参考訳(メタデータ) (2020-10-25T17:08:13Z) - Graph Signal Processing for Geometric Data and Beyond: Theory and
Applications [55.81966207837108]
グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。
GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。
最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
論文 参考訳(メタデータ) (2020-08-05T03:20:16Z) - Offline detection of change-points in the mean for stationary graph
signals [55.98760097296213]
グラフ信号定常性の概念に依存するオフライン手法を提案する。
我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
論文 参考訳(メタデータ) (2020-06-18T15:51:38Z) - Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。
本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
論文 参考訳(メタデータ) (2020-01-08T05:30:16Z)
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。