論文の概要: No-Box Attacks on 3D Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2210.14164v3
• Date: Sat, 27 Jan 2024 19:12:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 01:07:53.162579
• Title: No-Box Attacks on 3D Point Cloud Classification
• Title（参考訳）: 3Dポイントクラウド分類におけるノンボックス攻撃
• Authors: Hanieh Naderi, Chinthaka Dinesh, Ivan V. Bajic and Shohreh Kasaei
• Abstract要約: 敵対的攻撃は、ディープニューラルネットワーク(DNN)に基づく様々な入力信号の分析に深刻な課題をもたらす。 本稿では,14点の雲の特徴を定義し,これらの特徴が対向点予測に利用できるかどうかを検討する。 実験により、4つの異なるネットワークの対立点を予測できる機能の組み合わせが示されている。
• 参考スコア（独自算出の注目度）: 35.55129060534018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial attacks pose serious challenges for deep neural network (DNN)-based analysis of various input signals. In the case of 3D point clouds, methods have been developed to identify points that play a key role in network decision, and these become crucial in generating existing adversarial attacks. For example, a saliency map approach is a popular method for identifying adversarial drop points, whose removal would significantly impact the network decision. Generally, methods for identifying adversarial points rely on the access to the DNN model itself to determine which points are critically important for the model's decision. This paper aims to provide a novel viewpoint on this problem, where adversarial points can be predicted without access to the target DNN model, which is referred to as a ``no-box'' attack. To this end, we define 14 point cloud features and use multiple linear regression to examine whether these features can be used for adversarial point prediction, and which combination of features is best suited for this purpose. Experiments show that a suitable combination of features is able to predict adversarial points of four different networks -- PointNet, PointNet++, DGCNN, and PointConv -- significantly better than a random guess and comparable to white-box attacks. Additionally, we show that no-box attack is transferable to unseen models. The results also provide further insight into DNNs for point cloud classification, by showing which features play key roles in their decision-making process.
• Abstract（参考訳）: 敵攻撃は、ディープニューラルネットワーク(DNN)に基づく様々な入力信号の解析に深刻な課題をもたらす。 3Dポイントクラウドの場合、ネットワーク決定において重要な役割を果たすポイントを識別する手法が開発されており、これらは既存の敵攻撃を発生させる上で重要である。 例えば、サリエンシマップアプローチは、敵のドロップポイントを識別する一般的な方法であり、その除去はネットワーク決定に大きな影響を及ぼす。 一般的に、敵対点を特定する方法は、DNNモデル自体へのアクセスに依存して、どの点がモデルの判断に重要かを決定する。 本稿では,対象のDNNモデルにアクセスすることなく,対向点を予測できる「no-box」攻撃という,この問題に対する新たな視点を提供することを目的とする。 この目的のために,14点のクラウド機能を定義し,複数の線形回帰を用いて,これらの機能を逆点予測に使用できるか,どの機能の組み合わせがこの目的に最適なのかを検討する。 実験によれば、適切な機能の組み合わせによって、4つの異なるネットワーク(pointnet、pointnet++、dgcnn、pointconv)の敵点を予測できることが示されている。 さらに,非ボックス攻撃を未認識モデルに転送可能であることを示す。 結果はまた、ポイントクラウド分類のためのDNNに関するさらなる洞察を与え、意思決定プロセスにおいてどの機能が重要な役割を果たすかを示す。

関連論文リスト

• PCV: A Point Cloud-Based Network Verifier [8.239631885389382]
  本稿では3Dポイントネットの状態をうまく処理できるポイントクラウドベースのネットワーク検証について述べる。 モデル精度と特性係数への影響を計算し、小さな摂動状態に対するPointNetネットワークのロバスト性をテストする。
  論文  参考訳（メタデータ） (2023-01-27T15:58:54Z)
• General Adversarial Defense Against Black-box Attacks via Pixel Level and Feature Level Distribution Alignments [75.58342268895564]
  我々は,DGN(Deep Generative Networks)と新たなトレーニング機構を併用して,分散ギャップを解消する。 トレーニングされたDGNは、画素値の変換により、敵サンプルとターゲットDNNのクリーンな分布を整列する。 我々の戦略はブラックボックス攻撃に対するその独特な効果と汎用性を実証している。
  論文  参考訳（メタデータ） (2022-12-11T01:51:31Z)
• 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)
• Explainability-Aware One Point Attack for Point Cloud Neural Networks [0.0]
  本研究は2つの新たな攻撃手法である opa と cta を提案する。 入力インスタンスから1ポイントだけをシフトすることで、人気の高いクラウドネットワークを100%の成功率で騙すことができることを示す。 また,異なる点帰属分布が点クラウドネットワークの対角的ロバスト性に与える影響についても考察した。
  論文  参考訳（メタデータ） (2021-10-08T14:29:02Z)
• 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)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks [123.5839352227726]
  本稿では,リアルタイムなフレキシブル・ターゲット・ポイント・クラウド・アタックのための新しいラベル誘導対向ネットワーク(LG-GAN)を提案する。 私たちの知る限りでは、これが第1世代ベースの3Dポイントクラウドアタック手法です。
  論文  参考訳（メタデータ） (2020-11-01T17:17:10Z)
• 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)

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。