理解关键点云特征以开发三维对抗攻击

对抗攻击对基于深度神经网络（DNN）的各种输入信号分析构成严峻挑战。在三维点云领域，已有方法被开发用于识别在网络决策中起关键作用的点，这些点对于生成现有对抗攻击至关重要。例如，显著性图方法是一种识别对抗性丢弃点的流行方法，移除这些点会显著影响网络决策。本文旨在通过探索哪些点云特征对于预测对抗点最为重要，来加深对三维对抗攻击的理解。具体而言，定义了边缘强度和距质心距离等十四个关键点云特征，并采用多元线性回归评估它们对对抗点的预测能力。基于关键特征选择的洞见，开发了一种新的攻击方法，以评估所选特征能否成功生成攻击。与依赖模型特定漏洞的传统攻击方法不同，该方法关注点云本身的固有特性。研究表明，这些特征能够预测四种不同DNN架构（PointNet、PointNet++、动态图卷积神经网络（DGCNN）和点卷积网络（PointConv））中的对抗点，其性能优于随机猜测，并达到与基于显著性图的攻击相当的结果。这项研究具有重要的工程应用价值，例如增强机器人和自动驾驶等领域中基于三维点云系统的安全性和鲁棒性。