对于3D点云分类模型的双重目标对抗噪声

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习模型越来越多地用于3D点云识别.
• 这些模型容易受到利用数据结构的对抗性攻击.
• 现有的对抗方法可能无法在不同的模型中有效地针对多个不同的类别.

研究的目的:

• 引入一种新的方法,用于在3D点云数据中生成双目标对抗性示例.
• 导致不同的深度学习模型被错误地分为不同的,攻击者指定的类.
• 为了提高3D点云识别系统的安全性和稳定性.

主要方法:

• 开发了一种方法,用于生成点云数据的双重目标对抗性示例.
• 利用来自多个模型的反来最小化损失函数.
• 确保目标错误分类到不同的攻击者指定的类别.
• 通过使用PointNet和PointNet++模型验证了ModelNet40数据集的方法.

主要成果:

• 实现了高的攻击成功率:PointNet的成功率为99.8%,PointNet++的成功率为84.16%.
• 通过可视化攻击成功率,扭曲和点云来证明有效性.
• 成功生成了双重目标的对抗性示例,导致明显的错误分类.

结论:

• 拟议的方法有效地生成用于3D点云识别的双目标对抗性示例.
• 该技术对安全有重大影响,特别是在军事应用等对抗性环境中.
• 进一步的研究可以探索更复杂的场景和模型架构.