面向鲁棒三维点云分类的风险优化离群点去除
计算机视觉与模式识别
2024-01-03 v3 密码学与安全
机器学习
摘要
随着三维传感技术的发展，用于三维点云的深学习方法变得日益重要，尤其在自动驾驶等安全为首要关注的应用中。然而，人们也越来越担忧这些系统在遇到噪声点云时的可靠性，无论噪声是自然发生还是恶意引入。本文强调了由各种形式噪声带来的点云分类挑战，从简单的背景噪声到可故意偏斜模型预测的恶意后门攻击。尽管对优化的点云去噪存在迫切需求，但当前作为去噪关键步骤的点离群点去除方法严重依赖手工策略，且未针对分类等高层任务进行适配。为解决此问题，我们引入一种创新的点离群点清洗方法，其利用下游分类模型的能力。通过采用基于梯度的归因分析，我们定义了一种新概念：点风险。受金融中尾部风险最小化的启发，我们将离群点去除过程重新表述为一个优化问题，称为 PointCVaR。大量实验表明，我们所提出的技术不仅鲁棒地过滤多样的点云离群点，还持续且显著地增强了现有的点云分类鲁棒方法。
引用
@article{arxiv.2307.10875,
title = {Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification},
author = {Xinke Li and Junchi Lu and Henghui Ding and Changsheng Sun and Joey Tianyi Zhou and Chee Yeow Meng},
journal= {arXiv preprint arXiv:2307.10875},
year = {2024}
}