通过净化自训练提升 3D 点云识别在测试时的对抗鲁棒性
计算机视觉与模式识别
2024-09-24 v1
摘要
识别 3D 点云在许多实际应用中起着关键作用。然而，部署 3D 点云深度学习模型时容易受到对抗攻击的威胁。尽管通过对抗训练开发鲁棒模型的许多努力，但它们可能对新兴攻击效果不佳。这一局限性激发了对抗净化技术的开发，这种技术利用生成模型来减轻对抗攻击的影响。在本工作中，我们从两个视角突出了该方法的剩余挑战：首先，基于净化的方法需要在净化样本上重新训练分类器，这引入了额外的计算开销。其次，在更现实的情况下，测试样本以流式方式到达，对抗样本并非孤立于干净样本之外。这促使我们探索在观察测试样本时动态更新模型。我们提出了一种测试时净化自训练策略，以实现上述目标。引入自适应阈值和特征分布对齐，以提高自训练的鲁棒性。在不同对抗攻击上的大量结果表明，所提方法在处理测试数据流中持续变化的对抗攻击时，与净化方法是互补的。
引用
@article{arxiv.2409.14940,
title = {Improving Adversarial Robustness for 3D Point Cloud Recognition at Test-Time through Purified Self-Training},
author = {Jinpeng Lin and Xulei Yang and Tianrui Li and Xun Xu},
journal= {arXiv preprint arXiv:2409.14940},
year = {2024}
}