点云模型的鲁棒性认证
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
本文提出 3DeformRS 方法,针对点云深度神经网络现实世界变形的鲁棒性问题,通过证明其对可参数化变形的鲁棒性进行认证,得出对四个点云深度神经网络在两个数据集和七种不同变形下的综合实验研究,证明 3DeformRS 相对以往方法更快、规模更大且提供有效证书。
Apr, 2022
本研究提出了一种新的凸松弛方法,用于评估计算机视觉模型对于向量场攻击的鲁棒性,该方法可以为广泛的神经网络验证工具提供证明,实验证明该方法具有较高的效率和可扩展性。
Sep, 2020
提出了一种基于图结构和神经网络的方法,能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性,此方法在模型识别与检索任务方面,其性能可显著提高。
Feb, 2020
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。
Mar, 2021
本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域,但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集,并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解,例如在适当的训练下,基于 Transformer 的结构具有最强的鲁棒性。
Jan, 2022
通过在 2D 像素空间上使用平滑分布,而不是在 3D 物理空间中进行采样,增强了鲁棒性认证的效率,并在融合车辆运动空间的均匀分区技术的基础上,实现了对 3D-2D 投影转换的鲁棒性认证。
Sep, 2023
通过对 RGB-D 和基于点云的视觉控制策略进行实验,我们发现明确编码点云的策略在可视条件变化下显著更加稳健,同时我们提出的点云世界模型(PCWM)在训练过程中大幅提升样本效率,这些结果表明通过点云对三维场景进行推理可以改善性能、缩短学习时间并提高机器学习算法的稳健性。
Apr, 2024
本文提出了一种基于点云的分类算法,通过对常见三维环境噪声进行分类以及分类器的性能评估,分析了点云分类器的健壮性和泛化性,提出了一些有效的技术来增强点云分类器的健壮性。
Feb, 2022