論文の概要: PCV: A Point Cloud-Based Network Verifier

• arxiv url: http://arxiv.org/abs/2301.11806v1
• Date: Fri, 27 Jan 2023 15:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 15:00:40.483554
• Title: PCV: A Point Cloud-Based Network Verifier
• Title（参考訳）: PCV: ポイントクラウドベースのネットワーク検証器
• Authors: Arup Kumar Sarker, Farzana Yasmin Ahmad and Matthew B. Dwyer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.239631885389382
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D vision with real-time LiDAR-based point cloud data became a vital part of autonomous system research, especially perception and prediction modules use for object classification, segmentation, and detection. Despite their success, point cloud-based network models are vulnerable to multiple adversarial attacks, where the certain factor of changes in the validation set causes significant performance drop in well-trained networks. Most of the existing verifiers work perfectly on 2D convolution. Due to complex architecture, dimension of hyper-parameter, and 3D convolution, no verifiers can perform the basic layer-wise verification. It is difficult to conclude the robustness of a 3D vision model without performing the verification. Because there will be always corner cases and adversarial input that can compromise the model's effectiveness. In this project, we describe a point cloud-based network verifier that successfully deals state of the art 3D classifier PointNet verifies the robustness by generating adversarial inputs. We have used extracted properties from the trained PointNet and changed certain factors for perturbation input. We calculate the impact on model accuracy versus property factor and can test PointNet network's robustness against a small collection of perturbing input states resulting from adversarial attacks like the suggested hybrid reverse signed attack. The experimental results reveal that the resilience property of PointNet is affected by our hybrid reverse signed perturbation strategy
• Abstract（参考訳）: リアルタイムLiDARベースのポイントクラウドデータを用いた3Dビジョンは、特に物体の分類、セグメンテーション、検出に使用される知覚と予測モジュールにおいて、自律システム研究の重要な部分となった。 その成功にもかかわらず、ポイントクラウドベースのネットワークモデルは、複数の敵攻撃に対して脆弱であり、検証セットの変更の特定の要因が、よく訓練されたネットワークで顕著なパフォーマンス低下を引き起こす。 既存の検証器のほとんどは2次元畳み込みで完全に動作する。 複雑なアーキテクチャ、ハイパーパラメータの次元、および3次元畳み込みのため、検証者は基本的な層間検証を行うことができない。 検証を行わずに3次元視覚モデルの堅牢性を結論付けることは困難である。 なぜなら、モデルの有効性を損なうようなケースや逆入力が常に存在するからです。 本稿では, art 3d 分類器pointnet の状態の処理を成功させるポイントクラウドベースのネットワーク検証器について述べる。 訓練したポイントネットから抽出した特性を用いて,摂動入力の要因を変化させた。 我々は、モデル精度と特性係数への影響を計算し、提案したハイブリッド逆符号攻撃のような敵攻撃による摂動状態の小さなコレクションに対して、PointNetネットワークのロバスト性をテストする。 実験の結果, ポイントネットの弾性特性は, ハイブリッド型逆符号摂動戦略の影響を受けていることが明らかとなった。

関連論文リスト

• 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)
• A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
  対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。 我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
  論文  参考訳（メタデータ） (2023-10-10T09:39:38Z)
• Sample-adaptive Augmentation for Point Cloud Recognition Against Real-world Corruptions [20.95456179904285]
  本稿では,サンプルの構造に基づくサンプル適応変換をAdaptPointと命名する手法を提案する。 判別器は、原データ分布から逸脱する過度な腐敗の発生を防止するために用いられる。 実験の結果,ModelNet-C,ScanObjectNN-C,ShapeNet-C など,複数の汚損評価ベンチマークにおいて,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-09-19T08:46:43Z)
• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• 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)
• No-Box Attacks on 3D Point Cloud Classification [35.55129060534018]
  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。
  論文  参考訳（メタデータ） (2022-10-19T21:52:01Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• 3DVerifier: Efficient Robustness Verification for 3D Point Cloud Models [17.487852393066458]
  既存のポイントクラウドモデルの検証手法は,大規模ネットワーク上で時間的・計算的に実現不可能である。 本稿では,2つの問題に対処する3DVerifierを提案し,線形緩和関数を適用して乗算層を結合し,前方と後方の伝搬を結合する。 提案手法は,大規模ネットワークにおける検証効率のオーダー・オブ・マグニチュード向上を実現し,得られた認証境界も最先端の検証器よりもかなり厳密である。
  論文  参考訳（メタデータ） (2022-07-15T15:31:16Z)
• 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。