論文の概要: Be Careful with Rotation: A Uniform Backdoor Pattern for 3D Shape

• arxiv url: http://arxiv.org/abs/2211.16192v1
• Date: Mon, 28 Nov 2022 14:03:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:23:59.110301
• Title: Be Careful with Rotation: A Uniform Backdoor Pattern for 3D Shape
• Title（参考訳）: 回転に注意:3d形状のための一様バックドアパターン
• Authors: Linkun Fan, Fazhi He, Qing Guo, Wei Tang, Xiaolin Hong, Bing Li
• Abstract要約: 2Dドメインでは、異なる画像フォーマットの固有の構造が似ている。 3Dの世界では、異なる3Dデータ構造の間に大きな違いがあります。 異種3次元データ構造に適応可能な一様バックドアパターンであるNRBdoorを設計する。
• 参考スコア（独自算出の注目度）: 22.261538070427044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For saving cost, many deep neural networks (DNNs) are trained on third-party datasets downloaded from internet, which enables attacker to implant backdoor into DNNs. In 2D domain, inherent structures of different image formats are similar. Hence, backdoor attack designed for one image format will suite for others. However, when it comes to 3D world, there is a huge disparity among different 3D data structures. As a result, backdoor pattern designed for one certain 3D data structure will be disable for other data structures of the same 3D scene. Therefore, this paper designs a uniform backdoor pattern: NRBdoor (Noisy Rotation Backdoor) which is able to adapt for heterogeneous 3D data structures. Specifically, we start from the unit rotation and then search for the optimal pattern by noise generation and selection process. The proposed NRBdoor is natural and imperceptible, since rotation is a common operation which usually contains noise due to both the miss match between a pair of points and the sensor calibration error for real-world 3D scene. Extensive experiments on 3D mesh and point cloud show that the proposed NRBdoor achieves state-of-the-art performance, with negligible shape variation.
• Abstract（参考訳）: コスト削減のために、多くのディープニューラルネットワーク(DNN)は、インターネットからダウンロードされたサードパーティのデータセットでトレーニングされている。 2Dドメインでは、異なる画像フォーマットの固有の構造が似ている。 したがって、あるイメージフォーマット用に設計されたバックドアアタックは、他のフォーマットと一致します。 しかし、3Dの世界では、異なる3Dデータ構造の間に大きな違いがあります。 その結果、ある特定の3dデータ構造用に設計されたバックドアパターンは、同じ3dシーンの他のデータ構造では無効になる。 そこで本稿では, 不均一な3次元データ構造に適応可能な NRBdoor (Noisy Rotation Backdoor) という一様バックドアパターンを設計する。 具体的には、まずユニット回転から始めて、ノイズ生成と選択プロセスにより最適なパターンを探索する。 NRBdoorは,一対の点のミスマッチと実世界の3Dシーンのセンサキャリブレーション誤差により,通常ノイズを含むため,自然かつ知覚不能である。 3Dメッシュとポイントクラウドの大規模な実験により、提案したRBBdoorは、無視可能な形状変化で最先端のパフォーマンスを達成することが示された。

関連論文リスト

• ODIN: A Single Model for 2D and 3D Segmentation [34.612953668151036]
  ODINは、2D RGBイメージと3Dポイントクラウドのセグメンテーションとラベル付けを行うモデルである。 ScanNet200、Matterport3D、AI2THOR 3Dセグメンテーションベンチマーク上での最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-04T18:59:25Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• 3D-Aware Indoor Scene Synthesis with Depth Priors [62.82867334012399]
  既存の手法では、室内配置や内部の物体の多様さのため、屋内シーンのモデル化に失敗する。 室内のシーンは共通な内在構造を持たず、2次元画像のみを用いるだけでは3次元形状のモデルが適切にガイドできない。
  論文  参考訳（メタデータ） (2022-02-17T09:54:29Z)
• 3D-OOCS: Learning Prostate Segmentation with Inductive Bias [5.907824204733372]
  我々は,脊椎動物の視覚処理に触発された新しいアーキテクチャであるOOCS-enhanced Networkを紹介した。 ベースとして異なる3D U-Netの変種を伴って、第2エンコーダブロックに2つの3D残留成分(オン・オフ・センター・サラウンド)を付加する。 OOCSは、3DのU-Netが3D画像に存在する解剖学的構造を精査し、精査するのに役立つ。
  論文  参考訳（メタデータ） (2021-10-29T10:14:56Z)
• From Multi-View to Hollow-3D: Hallucinated Hollow-3D R-CNN for 3D Object Detection [101.20784125067559]
  本稿では,3次元物体検出の問題に対処するため,Halucinated Hollow-3D R-CNNという新しいアーキテクチャを提案する。 本稿では,まず,視点ビューと鳥眼ビューに点雲を逐次投影することで,多視点特徴を抽出する。 3Dオブジェクトは、新しい階層型Voxel RoIプール操作でボックスリファインメントモジュールを介して検出される。
  論文  参考訳（メタデータ） (2021-07-30T02:00:06Z)
• Appearance-Preserving 3D Convolution for Video-based Person Re-identification [61.677153482995564]
  本稿では,APM (Appearance-Preserving Module) と3Dコンボリューションカーネルの2つのコンポーネントからなる3Dコンボリューション(AP3D)を提案する。 元の3D畳み込みカーネルをAP3Dに置き換えることで、AP3Dと既存の3D ConvNetを組み合わせることは容易である。
  論文  参考訳（メタデータ） (2020-07-16T16:21:34Z)
• Pix2Vox++: Multi-scale Context-aware 3D Object Reconstruction from Single and Multiple Images [56.652027072552606]
  Pix2Vox++という,単一ビューと複数ビューの3Dオブジェクト再構成のための新しいフレームワークを提案する。 良く設計されたエンコーダデコーダを用いて、各入力画像から粗い3Dボリュームを生成する。 次に、マルチスケールコンテキスト対応融合モジュールを導入し、全ての粗い3Dボリュームから異なる部分の高品質な再構成を適応的に選択し、融合した3Dボリュームを得る。
  論文  参考訳（メタデータ） (2020-06-22T13:48:09Z)
• Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
  Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
  論文  参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。