生成三维对抗点云

深度神经网络已知易受对抗样本的攻击，对抗样本是精心构造的实例，用以导致模型做出错误预测。虽然针对2D图像和CNN的对抗样本已被广泛研究，但对点云等3D数据的关注较少。鉴于自动驾驶等许多安全关键型3D应用，研究对抗点云如何影响当前深度3D模型十分重要。本工作中，我们提出几种新颖算法来针对PointNet（一种广泛使用的点云处理深度神经网络）构造对抗点云。我们的算法通过两种方式工作：对抗点扰动与对抗点生成。对于点扰动，我们对现有点进行微小位移。对于点生成，我们生成一组独立且分散的点，或少量（1-3）个具有有意义形状（如球和飞机）的点簇，这些可隐藏于人的心智之中。此外，我们制定了六种专为点云攻击设计的扰动度量指标，并在ModelNet40 3D形状分类数据集上进行了大量实验来评估所提算法。总体而言，我们的攻击算法在所有目标攻击中成功率高于99%。