3DeformRS：针对点云空间形变的认证方法
计算机视觉与模式识别
2022-04-13 v1
摘要
3D计算机视觉模型常用于自动驾驶和手术机器人等安全关键应用。人们日益关注这些模型对真实世界形变的鲁棒性，必须切实可靠地加以解决。在本工作中，我们提出3DeformRS，一种用于认证点云深度神经网络（DNNs）对真实世界形变鲁棒性的方法。我们基于近期将随机平滑（RS）从像素强度扰动推广到向量场形变的研究工作开发了3DeformRS。具体而言，我们专门化RS以认证DNNs对抗参数化形变（如旋转、扭曲），同时具备实用的计算成本。我们利用3DeformRS的优点，对四种代表性点云DNNs在两个数据集上并针对七种不同形变进行了全面的认证鲁棒性实证研究。与先前认证点云DNNs的方法相比，3DeformRS速度快、随点云规模扩展性好，并提供相当或更好的认证。例如，在认证普通PointNet对抗1024点云上3{\deg} z轴旋转时，3DeformRS给出的认证范围比先前工作大3倍且快20倍。
引用
@article{arxiv.2204.05687,
title = {3DeformRS: Certifying Spatial Deformations on Point Clouds},
author = {Gabriel Pérez S. and Juan C. Pérez and Motasem Alfarra and Silvio Giancola and Bernard Ghanem},
journal= {arXiv preprint arXiv:2204.05687},
year = {2022}
}
备注
Accepted at CVPR 2022