論文の概要: Understanding Key Point Cloud Features for Development Three-dimensional Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2210.14164v4
- Date: Wed, 18 Dec 2024 10:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:47:25.581166
- Title: Understanding Key Point Cloud Features for Development Three-dimensional Adversarial Attacks
- Title(参考訳): 開発3次元敵攻撃のためのキーポイントクラウド機能を理解する
- Authors: Hanieh Naderi, Chinthaka Dinesh, Ivan V. Bajic, 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, 対向点の予測において, 雲の特徴が最も重要である点について検討する。
これらの特徴は、4つの異なるDNNアーキテクチャの対向点を予測できることが実証された。
- 参考スコア(独自算出の注目度): 32.54336705252989
- License:
- Abstract: Adversarial attacks pose serious challenges for deep neural network (DNN)-based analysis of various input signals. In the case of three-dimensional 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. This paper seeks to enhance the understanding of three-dimensional adversarial attacks by exploring which point cloud features are most important for predicting adversarial points. Specifically, Fourteen key point cloud features such as edge intensity and distance from the centroid are defined, and multiple linear regression is employed to assess their predictive power for adversarial points. Based on critical feature selection insights, a new attack method has been developed to evaluate whether the selected features can generate an attack successfully. Unlike traditional attack methods that rely on model-specific vulnerabilities, this approach focuses on the intrinsic characteristics of the point clouds themselves. It is demonstrated that these features can predict adversarial points across four different DNN architectures, Point Network (PointNet), PointNet++, Dynamic Graph Convolutional Neural Networks (DGCNN), and Point Convolutional Network (PointConv) outperforming random guessing and achieving results comparable to saliency map-based attacks. This study has important engineering applications, such as enhancing the security and robustness of three-dimensional point cloud-based systems in fields like robotics and autonomous driving.
- Abstract(参考訳): 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。
3次元の点雲の場合、ネットワーク決定において重要な役割を果たす点を特定する手法が開発され、これらは既存の敵攻撃の発生に欠かせないものとなっている。
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。
本稿では, 対向点の予測において, 雲の特徴がもっとも重要である点を探索することにより, 三次元対向攻撃の理解を深めることを目的とする。
具体的には、エッジ強度やセントロイドからの距離などの14個のキーポイント雲の特徴を定義し、逆転点の予測力を複数の線形回帰を用いて評価する。
重要な特徴選択の洞察に基づいて、選択した特徴が攻撃をうまく生成できるかどうかを評価するために、新たな攻撃方法が開発された。
モデル固有の脆弱性に依存する従来の攻撃方法とは異なり、このアプローチはポイントクラウド自体の本質的な特性に焦点を当てる。
これらの機能は、ポイントネットワーク(PointNet)、ポイントネット++(PointNet++)、ダイナミックグラフ畳み込みニューラルネットワーク(DGCNN)、ポイント畳み込みニューラルネットワーク(PointConv)の4つの異なるDNNアーキテクチャの対向点を予測でき、ランダムな推測よりも優れ、サリエンシマップベースの攻撃に匹敵する結果が得られる。
この研究は、ロボット工学や自律運転といった分野における3次元ポイントクラウドベースのシステムのセキュリティと堅牢性を高めるなど、重要な工学的応用を持っている。
関連論文リスト
- Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
本稿では,各種ノイズによる点雲分類の課題について述べる。
本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。
提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
論文 参考訳(メタデータ) (2023-07-20T13:47:30Z) - 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) - Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive
Diffusion [70.60038549155485]
ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、自律運転のような安全クリティカルなアプリケーションに脅威をもたらす。
本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-29T14:32:43Z) - 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) - 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) - Minimal Adversarial Examples for Deep Learning on 3D Point Clouds [25.569519066857705]
本研究では、ポイントクラウドベースのニューラルネットワークに対する敵攻撃について検討する。
本稿では2つの異なる攻撃戦略を一般化できる対向点雲生成のための統一的な定式化を提案する。
提案手法は, 合成データと実世界のデータに対して, 89%以上の攻撃成功率と90%の攻撃成功率で, 最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-08-27T11:50:45Z)
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。