AdvPC：三维点云上可迁移的对抗扰动
计算机视觉与模式识别
2020-11-30 v2 密码学与安全
机器学习
摘要
深度神经网络易受对抗攻击，即对其输入施加难以察觉的扰动会导致网络预测错误。该现象在图像领域已被广泛研究，且仅近期扩展至三维点云。本工作中，我们提出针对三维点云网络的新颖数据驱动对抗攻击。我们旨在解决当前三维点云对抗攻击中的如下问题：它们在不同网络间迁移性不佳，且易通过简单统计方法防御。为此，我们开发了一种新的点云攻击（称为 AdvPC），其在自编码器重建后向优化目标添加对抗损失，从而利用输入数据分布。AdvPC 产生的扰动对当前防御具有鲁棒性，同时与最先进攻击相比具有高度可迁移性。我们使用四种流行点云网络测试 AdvPC：PointNet、PointNet++（MSG 和 SSG）以及 DGCNN。我们提出的攻击对迁移至未见网络的攻击成功率提升高达 40%（可迁移性），同时在被攻击网络上保持高成功率。在 ModelNet40 数据集上，与其他基线相比，AdvPC 打破防御的能力也提升了高达 38%。
引用
@article{arxiv.1912.00461,
title = {AdvPC: Transferable Adversarial Perturbations on 3D Point Clouds},
author = {Abdullah Hamdi and Sara Rojas and Ali Thabet and Bernard Ghanem},
journal= {arXiv preprint arXiv:1912.00461},
year = {2020}
}
备注
Presented at European conference on computer vision (ECCV), 2020. The code is available at https://github.com/ajhamdi/AdvPC