三维点云深度学习的极小对抗样本
计算机视觉与模式识别
2021-09-20 v4
摘要
随着卷积神经网络的近期发展，面向三维点云的深度学习方法已在多种三维场景理解任务（如目标识别、语义分割）中取得显著进展。然而在安全关键环境下，此类深度学习模型如何易受对抗样本攻击尚不清晰。本文探究基于点云的神经网络的对抗攻击。我们提出一种用于对抗点云生成的统一表述，可推广两种不同的攻击策略。我们的方法通过攻击基于点云网络的分类能力来生成对抗样本，同时考虑样本的可感知性并确保最小程度的点操控。实验结果表明，我们的方法在合成数据与真实世界数据上分别以高于 89% 和 90% 的攻击成功率取得了当前最优性能，而仅操控了总点数的约 4%。
引用
@article{arxiv.2008.12066,
title = {Minimal Adversarial Examples for Deep Learning on 3D Point Clouds},
author = {Jaeyeon Kim and Binh-Son Hua and Duc Thanh Nguyen and Sai-Kit Yeung},
journal= {arXiv preprint arXiv:2008.12066},
year = {2021}
}
备注
ICCV 2021 camera-ready paper (8 pages)