TPC：面向点云模型的变换特定平滑
计算机视觉与模式识别
2023-05-09 v5 机器学习
摘要
具有神经网络架构的点云模型已取得巨大成功，并广泛应用于安全关键应用，如自动驾驶中的基于 Lidar 的识别系统。然而，此类模型被证明易受对抗攻击，后者旨在施加旋转和锥化等隐蔽语义变换以误导模型预测。本文提出一种变换特定平滑框架 TPC，为点云模型抵御语义变换攻击提供紧致且可扩展的鲁棒性保证。我们首先将常见 3D 变换分为三类：加性（如错切）、可复合（如旋转）和间接可复合（如锥化），并分别给出适用于所有类别的通用鲁棒性认证策略。随后，我们为一系列特定语义变换及其组合制定专属认证协议。在若干常见 3D 变换上的大量实验表明，TPC 显著优于当前最优（SOTA）。例如，我们的框架将针对绕 z 轴扭转变换（20 内）的认证准确率从 20.3 提升至 83.8。代码与模型见 https://github.com/chuwd19/Point-Cloud-Smoothing。
引用
@article{arxiv.2201.12733,
title = {TPC: Transformation-Specific Smoothing for Point Cloud Models},
author = {Wenda Chu and Linyi Li and Bo Li},
journal= {arXiv preprint arXiv:2201.12733},
year = {2023}
}
备注
Accepted as a conference paper at ICML 2022