Exploring the Devil in Graph Spectral Domain for 3D Point Cloud Attacks

要約

深度センサーの成熟に伴い、自動運転、ロボット工学、監視などのさまざまなアプリケーションで点群への注目が高まっていますが、深い点群学習モデルは敵対的な攻撃に対して脆弱であることが示されています。
既存の攻撃方法は、通常、点を追加/削除するか、点群に対して点ごとの摂動を実行して、点群の幾何学的特性を無視する可能性のある敵対的な例をデータ空間に生成します。
代わりに、特定の幾何学的構造の変化に対応するグラフ スペクトル ドメイン内の変換係数を乱すことを目的とした、新しい視点からのポイント クラウド攻撃、つまりグラフ スペクトル ドメイン攻撃 (GSDA) を提案します。
特に、グラフ上の点群を自然に表現し、コンパクトな表現のためにグラフフーリエ変換（GFT）を介して点の座標をグラフスペクトルドメインに適応的に変換します。
次に、ポイントクラウドの幾何学的構造に対するさまざまなスペクトルバンドの影響を分析し、それに基づいて、エネルギー制約損失関数によって導かれる学習可能な方法で GFT 係数を摂動することを提案します。
最後に、摂動スペクトル表現を逆 GFT (IGFT) を介してデータ ドメインに戻すことにより、敵対的点群が生成されます。
実験結果は、さまざまな防御戦略の下での知覚不能性と攻撃成功率の両方の観点から、提案された GSDA の有効性を示しています。
コードは https://github.com/WoodwindHu/GSDA で入手できます。

要約(オリジナル)

With the maturity of depth sensors, point clouds have received increasing attention in various applications such as autonomous driving, robotics, surveillance, etc., while deep point cloud learning models have shown to be vulnerable to adversarial attacks. Existing attack methods generally add/delete points or perform point-wise perturbation over point clouds to generate adversarial examples in the data space, which may neglect the geometric characteristics of point clouds. Instead, we propose point cloud attacks from a new perspective — Graph Spectral Domain Attack (GSDA), aiming to perturb transform coefficients in the graph spectral domain that corresponds to varying certain geometric structure. In particular, we naturally represent a point cloud over a graph, and adaptively transform the coordinates of points into the graph spectral domain via graph Fourier transform (GFT) for compact representation. We then analyze the influence of different spectral bands on the geometric structure of the point cloud, based on which we propose to perturb the GFT coefficients in a learnable manner guided by an energy constraint loss function. Finally, the adversarial point cloud is generated by transforming the perturbed spectral representation back to the data domain via the inverse GFT (IGFT). Experimental results demonstrate the effectiveness of the proposed GSDA in terms of both imperceptibility and attack success rates under a variety of defense strategies. The code is available at https://github.com/WoodwindHu/GSDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google