CVPR 2019: Generating 3D Adversarial Point Clouds 生成三維對抗點雲數據

目前作的方向是點雲分類,CVPR 2019中了的這篇論文算是顛覆了當前以PointNet爲基礎的使用深度學習方法進行的點雲分類研究,特此關注下這篇文章。算法

論文連接:https://arxiv.org/abs/1809.07016安全

摘要:網絡

已知深度神經網絡容易受到精心設計的對抗性的例子的影響,致使模型作出錯誤的預測。雖然已經普遍研究了2D圖像和CNN的對抗性示例,可是對諸如點雲的3D數據的關注較少。鑑於許多安全關鍵的3D應用程序(如自動駕駛),研究對抗點雲如何影響當前的深3D模型很是重要。在這項工做中,咱們提出了幾種新的算法來針對PointNet製做對抗點雲,PointNet是一種普遍使用的用於點雲處理的深度神經網絡。咱們的算法以兩種方式工做:對抗點擾動和對抗點生成。對於點擾動,咱們可微小地改變現有點。對於點生成,咱們生成一組獨立的和分散的點或少許(1-3)具備有意義形狀的點簇,例如能夠隱藏在肉眼認爲中的球和飛機點雲模型中。此外,咱們制定了針對點雲攻擊的六種擾動測量指標,並進行了大量實驗來評估所提出的算法。學習

 

目前還沒開源代碼,等待開源……設計

對於點雲分類來講,這是以前沒有見到過的研究方向,將來的點雲分類方法的驗證或許須要進行此類的算法可行性驗證。blog

很開心看到點雲方向的逐漸繁榮。get

相關文章
相關標籤/搜索