面向三维点云的鲁棒结构化声明式分类器：以隐式梯度防御对抗攻击
计算机视觉与模式识别
2022-03-30 v1
摘要
用于三维点云分类的深度神经网络（如 PointNet）已被证明易受对抗攻击。当前的对抗防御者常通过学习去噪（受攻击的）点云并进行重建，然后将其作为输入送入分类器。与已有文献不同，我们提出一类用于点云分类的鲁棒结构化声明式分类器，其内部约束优化机制可通过隐式梯度有效防御对抗攻击。此类分类器可用双层优化框架表述。我们进一步提出一种有效且高效的方法实例，即基于置换晶格中结构化稀疏编码与二维卷积神经网络（CNNs）且可端到端训练的晶格点分类器（LPC）。我们在 ModelNet40 和 ScanNet 上基于七种不同攻击方展示了最先进的鲁棒点云分类性能。例如，在近期 JGBA 攻击方下，我们在各数据集上分别取得 89.51% 和 83.16% 的测试准确率，相较采用 PointNet 的 DUP-Net 和 IF-Defense 高出约 70%。演示代码见 https://zhang-vislab.github.io。
引用
@article{arxiv.2203.15245,
title = {Robust Structured Declarative Classifiers for 3D Point Clouds: Defending Adversarial Attacks with Implicit Gradients},
author = {Kaidong Li and Ziming Zhang and Cuncong Zhong and Guanghui Wang},
journal= {arXiv preprint arXiv:2203.15245},
year = {2022}
}