論文の概要: epsilon-Mesh Attack: A Surface-based Adversarial Point Cloud Attack for Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2403.06661v1
• Date: Mon, 11 Mar 2024 12:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 19:13:32.496096
• Title: epsilon-Mesh Attack: A Surface-based Adversarial Point Cloud Attack for Facial Expression Recognition
• Title（参考訳）: epsilon-mesh attack: 表情認識のための表面ベースの対向点クラウド攻撃
• Authors: Batuhan Cengiz, Mert Gulsen, Yusuf H. Sahin, Gozde Unal
• Abstract要約: 一般的な方法は、勾配方向を追従して入力をわずかに変化させる敵攻撃を用いることである。 本稿では,メッシュ表面上の摂動を制限することで,点クラウドデータを操作する「$epsilon$-Mesh Attack」という逆攻撃を提案する。 我々の手法は、訓練済みのDGCNNとPointNetモデルに99.72%$と9.06%$を混乱させ、顔の変形を区別できないものにした。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds and meshes are widely used 3D data structures for many computer vision applications. While the meshes represent the surfaces of an object, point cloud represents sampled points from the surface which is also the output of modern sensors such as LiDAR and RGB-D cameras. Due to the wide application area of point clouds and the recent advancements in deep neural networks, studies focusing on robust classification of the 3D point cloud data emerged. To evaluate the robustness of deep classifier networks, a common method is to use adversarial attacks where the gradient direction is followed to change the input slightly. The previous studies on adversarial attacks are generally evaluated on point clouds of daily objects. However, considering 3D faces, these adversarial attacks tend to affect the person's facial structure more than the desired amount and cause malformation. Specifically for facial expressions, even a small adversarial attack can have a significant effect on the face structure. In this paper, we suggest an adversarial attack called $\epsilon$-Mesh Attack, which operates on point cloud data via limiting perturbations to be on the mesh surface. We also parameterize our attack by $\epsilon$ to scale the perturbation mesh. Our surface-based attack has tighter perturbation bounds compared to $L_2$ and $L_\infty$ norm bounded attacks that operate on unit-ball. Even though our method has additional constraints, our experiments on CoMA, Bosphorus and FaceWarehouse datasets show that $\epsilon$-Mesh Attack (Perpendicular) successfully confuses trained DGCNN and PointNet models $99.72\%$ and $97.06\%$ of the time, with indistinguishable facial deformations. The code is available at https://github.com/batuceng/e-mesh-attack.
• Abstract（参考訳）: ポイントクラウドとメッシュは多くのコンピュータビジョンアプリケーションで広く使われている3Dデータ構造である。 メッシュは物体の表面を表すが、点雲は、LiDARやRGB-Dカメラのような現代のセンサーの出力でもある表面から採取された点を表す。 ポイントクラウドの広い適用領域と近年のディープニューラルネットワークの進歩により、3dポイントクラウドデータのロバストな分類に焦点を当てた研究が出現した。 ディープ分類器ネットワークのロバスト性を評価するためには、勾配方向を追従して入力をわずかに変更する逆攻撃を用いる方法が一般的である。 敵攻撃に関するこれまでの研究は、一般的に毎日の物体の点雲上で評価されている。 しかし、3D顔を考えると、これらの敵対的攻撃は、所望の量よりも人の顔構造に影響を与え、誤形成を引き起こす傾向にある。 特に表情に関しては、小さな敵対的攻撃でさえ、顔の構造に大きな影響を及ぼす可能性がある。 本稿では,メッシュ表面上の摂動を制限することで,点クラウドデータを操作する「$\epsilon$-Mesh Attack」という逆攻撃を提案する。 また、摂動メッシュをスケールするために$\epsilon$で攻撃をパラメータ化します。 我々の面ベース攻撃は、ユニットボールで動作する$L_2$と$L_\infty$ノルム境界攻撃と比較して、より厳しい摂動境界を持つ。 私たちの手法にはさらなる制約がありますが、CoMA、Bosphorus、FaceWarehouseのデータセットの実験では、訓練済みのDGCNNとPointNetモデルの99.72\%と9.06\%の時間を、顔の変形を区別できないまま混乱させることに成功したのです。 コードはhttps://github.com/batuceng/e-mesh-attackで入手できる。

関連論文リスト

• Hide in Thicket: Generating Imperceptible and Rational Adversarial Perturbations on 3D Point Clouds [62.94859179323329]
  3Dポイントクラウド分類のための点操作に基づくアドリアック手法により、3Dモデルの脆弱性を明らかにした。 そこで本研究では,2段階の攻撃領域探索を行うHT-ADV法を提案する。 我々は,良性再サンプリングと良性剛性変換を用いることで,不受容性への犠牲がほとんどなく,身体的敵意の強さをさらに高めることができることを示唆する。
  論文  参考訳（メタデータ） (2024-03-08T12:08:06Z)
• 3DHacker: Spectrum-based Decision Boundary Generation for Hard-label 3D Point Cloud Attack [64.83391236611409]
  そこで本研究では,クラスラベルの知識にのみ依存して,敵対的なサンプルを生成する新しい3D攻撃手法を提案する。 3DHackerは、難しいハードラベル設定でも、既存の3D攻撃の攻撃性能と敵のクオリティを競争力で上回っている。
  論文  参考訳（メタデータ） (2023-08-15T03:29:31Z)
• SAGA: Spectral Adversarial Geometric Attack on 3D Meshes [13.84270434088512]
  三角形メッシュは、最も人気のある3Dデータ表現の1つである。 本稿では,3次元メッシュオートエンコーダに対する幾何学的逆アタックのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-24T19:29:04Z)
• 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)
• MeshUDF: Fast and Differentiable Meshing of Unsigned Distance Field Networks [68.82901764109685]
  3次元オープンサーフェスモデリングによる深部ニューラルネットワークの非符号距離場(UDF)近似に関する研究 本研究では, 平面交差を局所的に検出することにより, 深部UDFを開放面としてマーチング立方体の拡張により直接メッシュ化することを提案する。 本手法は高密度の点雲のメッシュよりも桁違いに高速であり,開面の膨張よりも高精度である。
  論文  参考訳（メタデータ） (2021-11-29T14:24:02Z)
• Generating Unrestricted 3D Adversarial Point Clouds [9.685291478330054]
  3Dポイントクラウドのディープラーニングは、いまだに敵の攻撃に弱い。 本稿では,現実的な3D点雲を生成するために,AdvGCGAN(Adversarial Graph-Convolutional Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-11-17T08:30:18Z)
• 3D Adversarial Attacks Beyond Point Cloud [8.076067288723133]
  従来の3Dポイントクラウドに対する攻撃は主に、元のポイントクラウドに摂動を追加することに焦点を当てていた。 この問題に対処するため,新たな攻撃手法であるMesh Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-25T13:01:41Z)
• Geometric Adversarial Attacks and Defenses on 3D Point Clouds [25.760935151452063]
  本研究は,幾何学的レベルでの逆例を考察する。 つまり、クリーンなソースポイントクラウドへの小さな変更は、autoencoderモデルを通過した後、異なるターゲットクラスからの形状へと導かれる。 防御側では,敵の入力に防御を施した後も,攻撃対象形状の残余が再建された出力に残っていることを示す。
  論文  参考訳（メタデータ） (2020-12-10T13:30:06Z)
• 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。