論文の概要: Imperceptible Adversarial Attacks on Point Clouds Guided by Point-to-Surface Field

• arxiv url: http://arxiv.org/abs/2412.19015v1
• Date: Thu, 26 Dec 2024 01:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:27:16.365487
• Title: Imperceptible Adversarial Attacks on Point Clouds Guided by Point-to-Surface Field
• Title（参考訳）: ポイント・ツー・サーフェス・フィールドで誘導される点雲の非知覚的対向攻撃
• Authors: Keke Tang, Weiyao Ke, Weilong Peng, Xiaofei Wang, Ziyong Du, Zhize Wu, Peican Zhu, Zhihong Tian,
• Abstract要約: ポイントクラウドに対する敵対的攻撃は、3次元ディープラーニングモデルの敵対的堅牢性の評価と改善に不可欠である。 従来の解法は攻撃時の点変位を厳密に制限し、非受容性と敵の有効性のバランスをとるのが困難である。 そこで我々は,P2Sフィールドを新たに導入し,対向方向の摂動方向を調整する。
• 参考スコア（独自算出の注目度）: 7.343103958556723
• License:
• Abstract: Adversarial attacks on point clouds are crucial for assessing and improving the adversarial robustness of 3D deep learning models. Traditional solutions strictly limit point displacement during attacks, making it challenging to balance imperceptibility with adversarial effectiveness. In this paper, we attribute the inadequate imperceptibility of adversarial attacks on point clouds to deviations from the underlying surface. To address this, we introduce a novel point-to-surface (P2S) field that adjusts adversarial perturbation directions by dragging points back to their original underlying surface. Specifically, we use a denoising network to learn the gradient field of the logarithmic density function encoding the shape's surface, and apply a distance-aware adjustment to perturbation directions during attacks, thereby enhancing imperceptibility. Extensive experiments show that adversarial attacks guided by our P2S field are more imperceptible, outperforming state-of-the-art methods.
• Abstract（参考訳）: ポイントクラウドに対する敵対的攻撃は、3次元ディープラーニングモデルの敵対的堅牢性の評価と改善に不可欠である。 従来の解法は攻撃時の点変位を厳密に制限し、非受容性と敵の有効性のバランスをとるのが困難である。 本稿では, 点雲に対する敵の攻撃の不適切さを, 地表面からの偏差に起因している。 そこで本研究では,P2S(P2S)フィールドを新たに導入し,逆方向の摂動方向を調整する。 具体的には、デノナイジングネットワークを用いて、形状を符号化した対数密度関数の勾配場を学習し、攻撃時の摂動方向に距離認識調整を適用することにより、認識不能性を高める。 大規模な実験により、我々のP2Sフィールドによって誘導される敵の攻撃は、より認識不能で、最先端の手法よりも優れていることが示された。

関連論文リスト

• Evaluating the Robustness of LiDAR Point Cloud Tracking Against Adversarial Attack [6.101494710781259]
  本稿では,3次元物体追跡の文脈において,敵攻撃を行うための統一的なフレームワークを提案する。 ブラックボックス攻撃のシナリオに対処するために,新たなトランスファーベースアプローチであるTarget-aware Perturbation Generation (TAPG)アルゴリズムを導入する。 実験の結果,ブラックボックスとホワイトボックスの両方の攻撃を受けた場合,高度な追跡手法に重大な脆弱性があることが判明した。
  論文  参考訳（メタデータ） (2024-10-28T10:20:38Z)
• epsilon-Mesh Attack: A Surface-based Adversarial Point Cloud Attack for Facial Expression Recognition [0.8192907805418583]
  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。
  論文  参考訳（メタデータ） (2024-03-11T12:29:55Z)
• 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)
• Adaptive Local Adversarial Attacks on 3D Point Clouds for Augmented Reality [10.118505317224683]
  敵対的な例は、3Dニューラルネットワークモデルの堅牢性を改善する上で有益である。 ほとんどの3次元対向攻撃法は、全点の雲を乱して敵の例を生成する。 本稿では,3次元点群に適応的局所対向攻撃法(AL-Adv)を提案し,対向点群を生成する。
  論文  参考訳（メタデータ） (2023-03-12T11:52:02Z)
• 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)
• Improving Adversarial Robustness to Sensitivity and Invariance Attacks with Deep Metric Learning [80.21709045433096]
  対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。 距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。 予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
  論文  参考訳（メタデータ） (2022-11-04T13:54:02Z)
• 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)
• Topological Effects on Attacks Against Vertex Classification [61.62383779296796]
  本稿では,グラフの2つのトポロジ的特徴を考察し,これらの特徴がグラフを乱さなければならない量に与える影響について考察する。 トレーニングセットに特定の頂点が組み込まれている場合、敵の要求する摂動予算を実質的に満たすことが可能であることを示す。 特に簡単なターゲット(たった1つか2つの摂動の後に誤って分類されるもの)であっても、パフォーマンスの劣化ははるかに遅く、誤ったクラスにずっと低い確率を割り当てる。
  論文  参考訳（メタデータ） (2020-03-12T14:37:57Z)

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。