PointCAT：用于鲁棒点云识别的对比对抗训练
计算机视觉与模式识别
2022-09-19 v1
摘要
尽管点云识别模型在各种应用中取得了卓越性能，但其常受自然损坏与对抗扰动的影响。本文深入探讨提升点云识别模型总体鲁棒性的问题，并提出点云对比对抗训练（PointCAT）。PointCAT的核心思路是鼓励目标识别模型缩小干净点云与损坏点云之间的决策差距。具体而言，我们利用有监督对比损失来促进识别模型提取的超球面特征的对齐与均匀性，并设计一对具有动态原型引导的居中损失，以避免这些特征偏离其所属类别簇。为提供更具挑战性的损坏点云，我们从头开始对噪声生成器与识别模型进行对抗训练，而非像先前对抗训练方法那样使用基于梯度的攻击作为内循环。综合实验表明，在包括各向同性点噪声、LiDAR模拟噪声、随机点丢弃与对抗扰动等多种损坏下，所提PointCAT优于基线方法，并显著提升了不同点云识别模型的鲁棒性。
引用
@article{arxiv.2209.07788,
title = {PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition},
author = {Qidong Huang and Xiaoyi Dong and Dongdong Chen and Hang Zhou and Weiming Zhang and Kui Zhang and Gang Hua and Nenghai Yu},
journal= {arXiv preprint arXiv:2209.07788},
year = {2022}
}