CVPRMar, 2023

PointCert: 具有确定性认证鲁棒性保证的点云分类

PDF
TL;DR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。
point cloud classificationadversarial attackscertified defensedeterministic guaranteesoptimization
发现论文，激发创造
  • PointGuard: 可证明鲁棒的三维点云分类

    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

  • 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

  • 基于破损数据的点云分类性能比较与分析

    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

  • PointCA: 对抗样本下评估 3D 点云补全模型的鲁棒性

    本文提出了 PointCA，一种针对三维点云完形模型的对抗攻击方法，在考虑几何空间和特征空间的情况下定制扰动约束，令对抗点云的几何智能和分布自适应性得到提高。通过对不同点云完成网络的广泛实验，表明了 PointCA 攻击使得性能降低了约 60％，且结构 chamfer 距离低于 0.01。作者总结了现有的完形模型严重容易受到对抗样本的影响，并且点云分类的最新防御措施不适用于不完整和不均匀的点云数据。

    Nov, 2022

  • Triangle-Net：面向点云学习的鲁棒性

    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

  • 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

  • 关键点 ++：基于敏捷性点云重要性度量的鲁棒分类、对抗性防御和可解释人工智能

    在这项研究中，我们研究了三维点云的关键点与样本外分布的相互作用，将关键点的概念扩展为重要性度量，通过仅基于较不重要的点进行训练，大大提高了网络的鲁棒性，同时对于协同学习是高度有价值的。

    Aug, 2023

  • CC-Cert: 一种概率方法来证明神经网络的普适鲁棒性

    本文提出了一种基于 Chernoff-Cramer Bounds 的新型通用概率认证方法，可以用于对抗性攻击环境下的机器学习应用。实验结果支持了我们的理论发现，证明了我们的方法对于语义扰动具有防御能力。

    Sep, 2021

  • 针对常见污染物的 3D 点云识别鲁棒性基准测试

    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

  • 3DeformRS：基于点云的空间变形认证

    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