Apr, 2024

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

PDF
TL;DRCloudFort 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。
发现论文，激发创造
  • PointBA: 针对三维点云的后门攻击

    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

  • 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

  • 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

  • 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

  • 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

  • PointCert: 具有确定性认证鲁棒性保证的点云分类

    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

  • 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

  • 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

  • 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