論文の概要: Risk-optimized Outlier Removal for Robust Point Cloud Classification
- arxiv url: http://arxiv.org/abs/2307.10875v1
- Date: Thu, 20 Jul 2023 13:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 12:48:49.723527
- Title: Risk-optimized Outlier Removal for Robust Point Cloud Classification
- Title（参考訳）: ロバスト点雲分類におけるリスク最適化外乱除去
- Authors: Xinke Li, Junchi Lu
- Abstract要約: ここでは、標準学習モデルに付加的な出力を排除し、データを復元するPointCVaRを提案する。
追加の訓練は必要とせず,様々な除去・分類実験において例外的な結果が得られた。
全体として、提案したPointCVaRはノイズポイントを効果的に排除し、ポイントクラウド分類を強化し、有望なプラグインモジュールとなる。
- 参考スコア（独自算出の注目度）: 2.549087572900505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The popularity of point cloud deep models for safety-critical purposes has
increased, but the reliability and security of these models can be compromised
by intentional or naturally occurring point cloud noise. To combat this issue,
we present a novel point cloud outlier removal method called PointCVaR, which
empowers standard-trained models to eliminate additional outliers and restore
the data. Our approach begins by conducting attribution analysis to determine
the influence of each point on the model output, which we refer to as point
risk. We then optimize the process of filtering high-risk points using
Conditional Value at Risk (CVaR) as the objective. The rationale for this
approach is based on the observation that noise points in point clouds tend to
cluster in the tail of the risk distribution, with a low frequency but a high
level of risk, resulting in significant interference with classification
results. Despite requiring no additional training effort, our method produces
exceptional results in various removal-and-classification experiments for noisy
point clouds, which are corrupted by random noise, adversarial noise, and
backdoor trigger noise. Impressively, it achieves 87% accuracy in defense
against the backdoor attack by removing triggers. Overall, the proposed
PointCVaR effectively eliminates noise points and enhances point cloud
classification, making it a promising plug-in module for various models in
different scenarios.
- Abstract（参考訳）: 安全クリティカルな目的のためのポイントクラウドディープモデルの人気は高まっているが、これらのモデルの信頼性とセキュリティは、意図的または自然に発生するポイントクラウドノイズによって損なわれる可能性がある。
この問題に対処するために,標準学習モデルに付加的なアウトレイラを排除し,データを復元するPointCVaRと呼ばれる新しいポイントクラウド・アウトレイラ除去手法を提案する。
我々のアプローチは、各点がモデル出力に与える影響を決定するために帰属分析を行うことから始まり、それがポイントリスク(point risk)と呼ばれる。
次に,リスク条件値(CVaR)を目的とする高リスク点のフィルタリング処理を最適化する。
このアプローチの理論的根拠は、点雲のノイズポイントがリスク分布の尾に集結する傾向にあり、低頻度であるが高いレベルのリスクを持つため、分類結果にかなりの干渉が生じるという観察に基づいている。
追加の訓練は必要とせず, ノイズノイズ, 逆方向ノイズ, バックドアトリガノイズによって劣化するノイズ点群に対する様々な除去・分類実験において, 例外的な結果が得られた。
驚くべきことに、トリガーを取り除くことで、バックドア攻撃に対する防御精度が87%向上した。
全体として、提案するpointcvarは、ノイズポイントを効果的に排除し、ポイントクラウドの分類を強化し、さまざまなシナリオにおいて、さまざまなモデルに対して有望なプラグインモジュールとなる。
関連論文リスト
- iBA: Backdoor Attack on 3D Point Cloud via Reconstructing Itself [5.007492246056274]
MirrorAttackは、新しい効果的な3Dバックドア攻撃法である。
自動エンコーダでクリーンポイントの雲を再構築するだけでトリガーを埋め込む。
我々は,防衛技術の介入により,様々な種類の犠牲者モデルに対して最先端のASRを実現する。
論文 参考訳（メタデータ） (2024-03-09T09:15:37Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - 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) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - 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) - Adversarial Attack by Limited Point Cloud Surface Modifications [11.325135016306165]
敵の攻撃方法は 点雲の外観を維持するのに十分な点修正を制限しない。
提案手法は,点雲の主表面を探索するために,アルゴリズムの開始時に高ステップサイズを用いてこの問題に対処する。
得られた結果から,少数の点修正しか行わず,攻撃を成功させ,最先端の成果を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-10-07T18:58:18Z)
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。