ART-Point：通过对抗旋转提升点云分类器的旋转鲁棒性
计算机视觉与模式识别
2022-03-09 v1
摘要
具有旋转鲁棒性的点云分类器已在三维深度学习领域被广泛讨论。大多数已有方法要么使用旋转不变描述子作为输入，要么试图设计旋转等变网络。然而，由于对原始分类器或输入空间进行了修改，这些方法生成的鲁棒模型在干净的已对齐数据集上性能有限。在本研究中，我们首次表明，点云分类器的旋转鲁棒性也可通过对抗训练获得，并在旋转和干净数据集上均具有更优性能。具体而言，我们提出的名为 ART-Point 的框架将点的旋转视为一种攻击，并通过在带有对抗旋转（Adversarial RoTations）的输入上训练分类器来提升旋转鲁棒性。我们提出了一种轴级旋转攻击，利用预训练模型的反向传播梯度来有效寻找对抗旋转。为避免模型在对抗输入上过拟合，我们构建了旋转池，利用对抗旋转在样本间的可迁移性来增加训练数据的多样性。此外，我们提出了一种快速一步优化以高效得到最终的鲁棒模型。实验表明，我们提出的旋转攻击具有很高的成功率，且 ART-Point 可用于大多数现有分类器以提升旋转鲁棒性，同时在干净数据集上表现出优于当前最优（state-of-the-art）方法的性能。
引用
@article{arxiv.2203.03888,
title = {ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via Adversarial Rotation},
author = {Robin Wang and Yibo Yang and Dacheng Tao},
journal= {arXiv preprint arXiv:2203.03888},
year = {2022}
}
备注
CVPR 2022