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
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
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
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
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
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。
Mar, 2021
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
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
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。
利用扩散模型生成高质量的对抗性点云,通过对形状完成进行对抗性引导,该方法在黑盒模型和防御措施中超过了现有的对抗性攻击方法,为评估各种3D点云分类模型的鲁棒性建立了新的基准线。
Jul, 2024