論文の概要: PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples

• arxiv url: http://arxiv.org/abs/2211.12294v1
• Date: Tue, 22 Nov 2022 14:15:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 19:14:49.860934
• Title: PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples
• Title（参考訳）: PointCA: 逆例に対する3Dポイントクラウド補完モデルのロバスト性の評価
• Authors: Shengshan Hu, Junwei Zhang, Wei Liu, Junhui Hou, Minghui Li, Leo Yu Zhang, Hai Jin, Lichao Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.84378007819262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion, as the upstream procedure of 3D recognition and segmentation, has become an essential part of many tasks such as navigation and scene understanding. While various point cloud completion models have demonstrated their powerful capabilities, their robustness against adversarial attacks, which have been proven to be fatally malicious towards deep neural networks, remains unknown. In addition, existing attack approaches towards point cloud classifiers cannot be applied to the completion models due to different output forms and attack purposes. In order to evaluate the robustness of the completion models, we propose PointCA, the first adversarial attack against 3D point cloud completion models. PointCA can generate adversarial point clouds that maintain high similarity with the original ones, while being completed as another object with totally different semantic information. Specifically, we minimize the representation discrepancy between the adversarial example and the target point set to jointly explore the adversarial point clouds in the geometry space and the feature space. Furthermore, to launch a stealthier attack, we innovatively employ the neighbourhood density information to tailor the perturbation constraint, leading to geometry-aware and distribution-adaptive modifications for each point. Extensive experiments against different premier point cloud completion networks show that PointCA can cause a performance degradation from 77.9% to 16.7%, with the structure chamfer distance kept below 0.01. We conclude that existing completion models are severely vulnerable to adversarial examples, and state-of-the-art defenses for point cloud classification will be partially invalid when applied to incomplete and uneven point cloud data.
• Abstract（参考訳）: 3D認識とセグメンテーションのアップストリーム手順としてのポイントクラウド補完は、ナビゲーションやシーン理解といった多くのタスクに欠かせない部分となっている。 様々なポイントのクラウド補完モデルは、その強力な能力を実証しているが、深いニューラルネットワークに対して致命的な悪意があることが証明された敵攻撃に対する堅牢性は、未だに不明である。 さらに、ポイントクラウド分類器に対する既存の攻撃アプローチは、異なる出力形式と攻撃目的のために、補完モデルに適用できない。 完成モデルのロバスト性を評価するため,3次元点雲完了モデルに対する最初の敵攻撃であるPointCAを提案する。 PointCAは、元のものと高い類似性を保ちながら、全く異なる意味情報を持つ別のオブジェクトとして完成される敵の点雲を生成することができる。 具体的には、幾何空間と特徴空間の対向点雲を共同で探索するために設定された対向例と目標点との表現差を最小化する。 さらに,よりステルス攻撃を開始するために,摂動制約を調整するために近傍密度情報を革新的に活用し,各点に対する幾何学的認識と分布適応的修正に繋がる。 異なる初点雲完了ネットワークに対する大規模な実験により、ポイントCAはパフォーマンスが77.9%から16.7%に低下し、構造シャムファー距離は0.01以下であることが示された。 既存の完了モデルは敵の例に対して脆弱であり,不完全かつ不均一なクラウドデータに適用した場合,ポイントクラウド分類に対する最先端の防御は部分的には無効である。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Transferable 3D Adversarial Shape Completion using Diffusion Models [8.323647730916635]
  3Dポイントクラウド機能学習は、3Dディープラーニングモデルのパフォーマンスを大幅に改善した。 既存の攻撃方法は、主にホワイトボックスのシナリオに焦点を当てており、最近提案された3Dディープラーニングモデルへの移行に苦労している。 本稿では,拡散モデルを用いて高品質な対向点雲を生成する。 提案した攻撃は、ブラックボックスモデルとディフェンスの両方に対して、最先端の敵攻撃法より優れている。
  論文  参考訳（メタデータ） (2024-07-14T04:51:32Z)
• Zero-shot Point Cloud Completion Via 2D Priors [52.72867922938023]
  3次元点雲の完成は、部分的に観測された点雲から完全な形状を復元するように設計されている。 そこで本研究では, 観測された点群を対象とするゼロショットフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• 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)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• PointGuard: Provably Robust 3D Point Cloud Classification [30.954481481297563]
  3Dポイントクラウド分類には、自律運転やロボットグリップなど、多くの安全クリティカルな応用がある。 特に、攻撃者は、少数のポイントを慎重に修正、追加、削除することで、3Dポイントクラウドの誤ラベルを予測することができる。 我々は,敵の修正点,追加点,削除点に対するロバスト性を保証する最初の防御手法であるpointguardを提案する。
  論文  参考訳（メタデータ） (2021-03-04T14:09:37Z)
• 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)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)

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。