PointNCBW：基于负面干净标签后门水印的点云数据集所有权验证

近年来，点云在计算机视觉中得到广泛应用，但其收集耗时且成本高昂。因此，点云数据集是所有者的有价值知识产权，值得受到保护。为检测和防止未经授权的使用（尤其是不能再出售或需获许可才能用于商业用途的开源数据集），我们意图在黑盒设置下识别可疑第三方模型是否在我们的受保护数据集上训练。我们通过设计一种可扩展的干净标签后门式数据集水印实现此目标，确保其有效性和隐蔽性。与现有干净标签水印方案不同，后者易受类别数量影响，而本方法可为来自所有类别的样本提供水印，从而在大规模数据集（含大量类别）上仍保持高效能。具体做法是对选定点云在形状层面和点层面进行非目标类别扰动后插入触发模式，同时不改变标签。扰动样本的特征与目标类别的良性样本相似。因此，训练受水印数据集的模型会表现出独特且隐蔽的后门行为：当触发器出现时，模型会将目标类别的样本误分类为其他类别。我们还设计了基于所提水印的假设检验导向的数据集所有权验证方法。通过在基准数据集上进行大量实验，验证了方法的有效性及其对潜在移除方法的抗性。