PointBA: 针对三维点云的后门攻击

ICCVMar, 2021

PointBA: Towards Backdoor Attacks in 3D Point Cloud

Xinke Li, Zhirui Chen, Yue Zhao, Zekun Tong, Yabang Zhao...

TL;DR本文提出了两种针对点云的后门攻击方法：有毒标签后门攻击和干净标签后门攻击，通过操纵三维数据特征来优化加入新任务，实验表明有毒标签后门攻击成功率高达 95% 以上，而干净标签后门攻击较为隐蔽，成功率约为 50% 左右，这些攻击方法为提高三维深度模型的鲁棒性提供了基准。

Abstract

3d deep learning has been increasingly more popular for a variety of tasks including many safety-critical applications. However, recently several works raise the security issues of 3D deep models. Although most of them consider adversarial attacks, we identify that →

3d deep learning backdoor attack point cloud adversarial samples feature disentanglement

发现论文，激发创造

3D 点云分类器的后门攻击

本文针对三维点云分类器安全性问题，提出了一种基于背门攻击的训练集污染方法，实验展示了该方法在对抗最新点云异常检测方法时的生效性。

Apr, 2021

镜面攻击：通过变形镜对 3D 点云进行后门攻击

MirrorAttack 是一种新颖有效的 3D 后门攻击方法，通过使用自编码器在干净的点云中嵌入触发器，避免了复杂的手动设计，同时保证了触发器的不可察觉性。

Mar, 2024

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

CloudFort: 通过空间划分和集成预测提高 3D 点云分类的鲁棒性对抗后门攻击

CloudFort 是一种新颖的防御机制，通过空间分割和集成预测技术，有效缓解了后门触发的影响，增强了三维点云分类器对后门攻击的鲁棒性，同时不影响其在干净数据上的准确性，从而为实际应用中基于点云的系统的可信性和可靠性迈出了重要的一步。

Apr, 2024

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

现实世界中物体检测的鲁棒后门攻击

在这篇论文中，我们提出了一种适应被攻击对象不同大小的可变大小后门触发器，克服了视点和被攻击对象之间距离引起的干扰。此外，我们提出了一种名为恶意对抗训练的后门训练方法，使后门对象检测器能够学习带有物理噪声的触发器特征。实验结果显示，这种强健性后门攻击能够提高在现实世界中的攻击成功率。

Sep, 2023

三维点云分类中的对抗攻击和防御：综述

本文旨在综述目前关于点云分类中的对抗攻击和防御技术的进展，包括对对抗攻击的原理和特点、最近几年的对抗攻击示例生成方法的总结和分析以及防御策略的分类（包括输入变换、数据优化和深度模型修改）。最后，本文阐述了这一领域中几个具有挑战性的问题和未来的研究方向。

Jul, 2023

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

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

具有有限信息和数据的黑盒检测后门攻击

该论文提出一种基于黑盒模型的反向工程优化算法，用于检测深度神经网络中嵌入的恶意后门攻击，并通过检测结果进行有效的可靠预测，实验表明其可以有效地应对多种后门攻击。

Mar, 2021