3D点云上的对抗性形状扰动
计算机视觉与模式识别
2020-10-26 v3 密码学与安全
机器学习
图像与视频处理
机器学习
摘要
随着3D数据在机器人、无人机控制和自动驾驶的视觉任务深度学习中被日益使用，训练鲁棒神经网络的重要性也与日俱增。一种常用的3D数据类型是描述形状信息的3D点云。我们从攻击者的视角审视构建鲁棒模型的问题，这是理解3D神经网络如何被利用所必需的。我们探索两类攻击：涉及对点分布难以察觉扰动的分布攻击，以及涉及使点云所表示形状变形的形状攻击。我们探索了三种可能的形状攻击以攻击3D点云分类，并表明其中一些即便面对预处理步骤（如先前提出的点移除防御）也能有效。
引用
@article{arxiv.1908.06062,
title = {Adversarial shape perturbations on 3D point clouds},
author = {Daniel Liu and Ronald Yu and Hao Su},
journal= {arXiv preprint arXiv:1908.06062},
year = {2020}
}
备注
18 pages, accepted to the 2020 ECCV workshop on Adversarial Robustness in the Real World, source code available at this https url: https://github.com/Daniel-Liu-c0deb0t/Adversarial-point-perturbations-on-3D-objects