PointGuard：可证明鲁棒的3D点云分类
密码学与安全
2021-07-05 v2 计算机视觉与模式识别
机器学习
摘要
3D点云分类具有诸多安全关键应用，如自动驾驶与机器人抓取。然而，若干研究表明其易受对抗攻击。特别地，攻击者可通过精心修改、添加和/或删除其少量点，使分类器对3D点云预测错误标签。随机平滑是构建可证明鲁棒的2D图像分类器的前沿技术。然而，当应用于3D点云分类时，随机平滑仅能针对对抗修改点证明鲁棒性。本工作中，我们提出PointGuard，首个针对对抗修改、添加和/或删除点均具可证明鲁棒性保证的防御方法。具体而言，给定3D点云与任意点云分类器，我们的PointGuard首先创建多个子采样点云，每个包含原始点云中点的随机子集；随后PointGuard将原始点云标签预测为子采样点云由点云分类器预测标签的多数投票结果。我们的首要理论贡献是证明当对抗修改、添加和/或删除点数有界时，PointGuard可证明对3D点云预测相同标签。第二主要理论贡献是证明在不对点云分类器作假设时，我们所推导界的最紧性。此外，我们设计了高效算法以计算所证明的鲁棒性保证。我们还在ModelNet40与ScanNet基准数据集上实证评估了PointGuard。
引用
@article{arxiv.2103.03046,
title = {PointGuard: Provably Robust 3D Point Cloud Classification},
author = {Hongbin Liu and Jinyuan Jia and Neil Zhenqiang Gong},
journal= {arXiv preprint arXiv:2103.03046},
year = {2021}
}
备注
Published in IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021