ICCVJul, 2023

鲁棒点云识别的基准测试与分析：防御对抗样本的诀窍

PDF
TL;DR我们建立了一个全面、严格的点云对抗韧性基准，评估了韧性的影响，并通过对现有的防御方法进行广泛和系统的实验，提出了一种混合训练增强方法以提高对各种攻击的对抗韧性。
deep neural networks3d point cloud recognitionadversarial examplesdefense strategiesadversarial robustness
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 3D 点云的几何对抗攻击与防御

    本文通过对点云几何层级的研究，首次探讨了如何针对几何级别进行对抗例子的攻击，进而改变重构后的几何形状，而非单纯改变分类器的预测结果。此外，作者还展示了该攻击在防御方面的鲁棒性。

    Dec, 2020

  • 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

  • 3D 点云对抗性丢失点的无模型预测

    本研究提供了一种新的观点解决深度神经网络在三维点云中对敌对攻击的防御问题。研究采用多元线性回归分析 14 个点云特征，寻找最佳组合以实现模型无关的对抗点预测。实验结果证明该方法可以在 PointNet、PointNet++ 和 DGCNN 三种神经网络中更好地预测对抗点，并揭示哪些特征在它们的决策过程中起着关键作用。

    Oct, 2022