May, 2024

Eidos: 高效、微不可见的对抗 3D 点云

PDF
TL;DR该研究论文阐述了针对 3D 点云的机器学习分类任务中存在的对抗攻击问题，并提出了 Eidos 框架，该框架支持高效的难以察觉的对抗攻击方法，通过迭代的两步骤流程，能够找到最佳的对抗性示例，从而平衡运行效率和对抗攻击的察觉程度。研究实验证明，相对于其他方法，Eidos 在效率和隐蔽性方面表现优越。
3d point cloudsmachine learningadversarial attackseidos frameworkimperceptibility metrics
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

  • 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

  • 形状不变的 3D 敌对点云

    本文提出了一种新的点云灵敏度映射方法，以明确表明点云识别模型在遇到形状不变的对抗噪声时的脆弱性并提高噪声的效率和隐蔽性，该方法在各种点云识别模型中表现出优异的性能并具有令人满意的对抗隐身性和对不同点云防御设置的强抵抗力。

    Mar, 2022

  • 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

  • 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

  • epsilon-Mesh 攻击：面向面部表情识别的基于表面的对抗性点云攻击

    基于点云数据的 epsilon-Mesh 攻击方法对训练过的 DGCNN 和 PointNet 模型成功地产生了无法区分的面部变形，攻击成功率分别达到 99.72% 和 97.06%。

    Mar, 2024

  • 几何感知对抗点云生成

    本文提出新的 geometry-aware objectives 的设计，生成的 $GeoA^3$ 对人类来说是无法察觉的，同时提出一个名为 $Geo_{+} A^3$-IterNormPro 的算法，该算法通过生成对抗性点云来实现面向表面的对抗性攻击。

    Dec, 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

  • 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