CVPRMar, 2021

PointGuard: 可证明鲁棒的三维点云分类

PDF
TL;DR本文提出 PointGuard 防御方法，可以对 3D 点云进行分类并证明具有可靠的防御性能，实现方法是通过创建多个通过随机子集采样的点云来预测原始点云的标签，其中每个点云子集都通过所涉及的分类器进行预测标签，其方法具有预算效率并在多个基准数据集上进行了验证。
3d point cloud classificationadversarial attackspointguardcertified robustness guaranteessubsampled point clouds
发现论文，激发创造
  • PointCert: 具有确定性认证鲁棒性保证的点云分类

    该研究针对点云分类中的对抗攻击问题，提出了一个名为 PointCert 的通用框架，可将任何分类器变成可以抗击对抗点云攻击的验证型分类器，证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。

    Mar, 2023

  • 点集的对抗攻击与防御

    本文提出了一种针对 3D 点云数据的攻击和防御方案，包括新颖的 3D 点云攻击操作以及灵活的扰动测量方案，防御方法对抗性点云有效，对多个点云网络的攻击可迁移，并且在一系列实验中验证了该攻击和防御框架的有效性。

    Feb, 2019

  • Defense-PointNet: 保护 PointNet 免受对抗性攻击

    本篇论文研究针对 3D 点云模型的对抗攻击以及针对 PointNet 模型提出的防御模型，通过与其他模型进行比较，实验证明 Defense-PointNet 显著提高了网络对对抗样本的鲁棒性。

    Feb, 2020

  • 生成 3D 对抗点云

    本文中提出了多种新算法以攻击 PointNet，这是用于点云处理的广泛使用的深度神经网络，通过点扰动和点生成两种方法来制作对抗性点云。

    Sep, 2018

  • 将对抗性攻击和防御扩展到深度三维点云分类器

    本文研究了通过对 PointNet 和 PointNet++ 模型进行白盒和黑盒对抗攻击并提出在 3D 领域提供更好的防御机制，发现与 2D 图像分类器相比，处理三维点云数据的网络对对抗攻击更脆弱，但它们也更容易被防御。

    Jan, 2019

  • 点云模型的鲁棒性认证

    本研究介绍了第一个能够认证点云模型鲁棒性的验证器 3DCertify，通过对旋转、扭曲等多种 3D 变换进行广泛的评估，证明了其有效性。

    Mar, 2021

  • 自适应攻击下的三维点云分类对抗鲁棒性

    本研究对点云分类领域中对抗攻击的防御措施进行了安全分析，指出固定池化方法（如 MAX 池化）通常会削弱对抗训练的有效性，提出 DeepSym（一种基于排序的参数化池化方法）来提高模型的鲁棒性。架构实验结果显示，在 AT 下，DeepSym 的鲁棒性达到 47.0％，优于原始设计和强基线分别 28.5％（2.6x）和 6.5％，而不牺牲准确率。

    Nov, 2020

  • 基于 3D 点云深度学习的极小对抗样本

    本论文通过对点云模型的对抗攻击提出了全新的统一公式，此方法可以攻击分类模型的功能，考虑到攻击点的感知能力，并确保最小程度上的点操作，实验证明此方法在合成数据和真实数据上均取得了超过 89% 和 90% 的攻击成功率，并仅操作了总点数约 4%。

    Aug, 2020

  • 3D 点云的对抗形状扰动

    探讨了对抗者的视角下，从创建健壮的神经网络模型的问题入手，研究了使用 3D 数据进行分类的某些形状攻击方法及其有效性，以及攻击预处理步骤的能力。

    Aug, 2019

  • Robust 结构化声明性分类器用于 3D 点云：利用隐式梯度抵御对抗攻击

    本文提出了基于结构化稀疏编码和卷积神经网络的 Lattice Point Classifier（LPC）方案，该方案通过内部约束优化机制来有效抵御对 3D 点云分类器的不良攻击，并在不同攻击者下实现了最先进的鲁棒 3D 点云分类性能。

    Mar, 2022