PCV：一种基于点云的网络验证器

基于实时 LiDAR 点云数据的三维视觉已成为自主系统研究的重要部分，尤其是感知与预测模块用于物体分类、分割和检测。尽管取得了成功，基于点云的网络模型易受多种对抗攻击，其中验证集中某些因素的改变会导致训练良好的网络性能显著下降。现有大多数验证器在二维卷积上表现完美。由于复杂架构、超参数维度以及三维卷积，尚无验证器能执行基本的逐层验证。若不执行验证，难以断定三维视觉模型的鲁棒性。因为总会有corner case和对抗输入损害模型有效性。在本项目中，我们描述了一种基于点云的网络验证器，成功处理最先进的三维分类器 PointNet，通过生成对抗输入验证鲁棒性。我们使用从训练好的 PointNet 中提取的属性并改变某些因素以进行扰动输入。我们计算了模型精度相对于属性因素的影响，并能测试 PointNet 网络针对由如所提出的混合反向符号攻击等对抗攻击引起的一小组扰动输入状态的鲁棒性。实验结果表明，PointNet 的弹性属性受到我们的混合反向符号扰动策略的影响。