基准测试与分析鲁棒点云识别：抵御对抗样本的妙招集
计算机视觉与模式识别
2023-08-11 v2 密码学与安全
机器学习
摘要
用于三维点云识别的深度神经网络（DNNs）易受对抗样本的攻击，威胁其实际部署。尽管近年来已有许多研究致力于解决此问题，但三维点云上对抗样本的多样性使其比二维图像上的对抗样本更难以防御。例如，攻击者可通过添加、移动或删除点来生成对抗样本。因此，现有防御策略难以应对未知的点云对抗样本。本文首先建立了一个全面且严谨的点云对抗鲁棒性基准，用于评估对抗鲁棒性，从而可详细理解防御与攻击方法的效果。接着，我们收集了点云对抗防御中的现有防御技巧，并通过广泛而系统的实验确定了这些技巧的有效组合。此外，我们提出了一种混合训练增强方法，将对各类点云对抗样本的考虑引入对抗训练，显著提升了对抗鲁棒性。通过组合这些技巧，我们构建了一个更鲁棒的防御框架，针对多种攻击取得了83.45%的平均准确率，展示了其赋能鲁棒学习器的能力。我们的代码库已开源：\url{https://github.com/qiufan319/benchmark_pc_attack.git}。
引用
@article{arxiv.2307.16361,
title = {Benchmarking and Analyzing Robust Point Cloud Recognition: Bag of Tricks for Defending Adversarial Examples},
author = {Qiufan Ji and Lin Wang and Cong Shi and Shengshan Hu and Yingying Chen and Lichao Sun},
journal= {arXiv preprint arXiv:2307.16361},
year = {2023}
}
备注
8 pages 6 figures