3DVerifier：面向三维点云模型的高效鲁棒性验证
计算机视觉与模式识别
2022-07-18 v1 机器学习
摘要
三维点云模型广泛应用于安全关键场景，这带来了获取更可靠证明以验证模型鲁棒性的迫切需求。现有的点云模型验证方法耗时且在大网络上计算上难以实现。此外，它们无法处理包含乘法层、能切实提升三维模型性能的完整PointNet模型与联合对齐网络（JANet）。这促使我们设计一种更高效且通用的框架来验证各类架构的点云模型。验证大规模完整PointNet模型的关键挑战在于处理乘法层中的交叉非线性运算，以及高维点云输入与新增层的高计算复杂度。为此，我们提出一种高效验证框架3DVerifier，通过采用线性松弛函数界定乘法层，并结合前向与反向传播来计算点云模型输出的认证边界，从而应对上述两重挑战。我们全面的实验表明，3DVerifier在效率与精度上均优于现有的三维模型验证算法。值得注意的是，我们的方法在大网络验证效率上实现了数量级的提升，且获得的认证边界也显著紧于最先进的验证器。我们通过 https://github.com/TrustAI/3DVerifier 发布工具3DVerifier供社区使用。
引用
@article{arxiv.2207.07539,
title = {3DVerifier: Efficient Robustness Verification for 3D Point Cloud Models},
author = {Ronghui Mu and Wenjie Ruan and Leandro S. Marcolino and Qiang Ni},
journal= {arXiv preprint arXiv:2207.07539},
year = {2022}
}