PCV: A Point Cloud-Based Network Verifier

要約

リアルタイムの LiDAR ベースの点群データを使用した 3D ビジョンは、自律システムの研究、特にオブジェクトの分類、セグメンテーション、および検出に使用される認識および予測モジュールの重要な部分になりました。
それらの成功にもかかわらず、点群ベースのネットワーク モデルは複数の敵対的攻撃に対して脆弱であり、検証セットの変更の特定の要因により、十分に訓練されたネットワークで大幅なパフォーマンス低下が引き起こされます。
既存のベリファイアのほとんどは、2D 畳み込みで完全に機能します。
複雑なアーキテクチャ、ハイパーパラメーターの次元、および 3D 畳み込みのため、どの検証者も基本的なレイヤー単位の検証を実行できません。
検証を実行せずに 3D ビジョン モデルのロバスト性を結論付けることは困難です。
モデルの有効性を損なう可能性のあるコーナーケースと敵対的な入力が常に存在するためです。
このプロジェクトでは、最先端の 3D 分類器 PointNet を正常に処理するポイント クラウド ベースのネットワーク検証器について説明します。
トレーニングされた PointNet から抽出されたプロパティを使用し、摂動入力の特定の要因を変更しました。
モデルの精度とプロパティ ファクターへの影響を計算し、提案されたハイブリッド逆署名攻撃のような敵対的攻撃から生じる乱れた入力状態の小さなコレクションに対して PointNet ネットワークの堅牢性をテストできます。
実験結果は、PointNet の回復特性がハイブリッド逆符号摂動戦略の影響を受けることを明らかにしています。

要約(オリジナル)

3D vision with real-time LiDAR-based point cloud data became a vital part of autonomous system research, especially perception and prediction modules use for object classification, segmentation, and detection. Despite their success, point cloud-based network models are vulnerable to multiple adversarial attacks, where the certain factor of changes in the validation set causes significant performance drop in well-trained networks. Most of the existing verifiers work perfectly on 2D convolution. Due to complex architecture, dimension of hyper-parameter, and 3D convolution, no verifiers can perform the basic layer-wise verification. It is difficult to conclude the robustness of a 3D vision model without performing the verification. Because there will be always corner cases and adversarial input that can compromise the model’s effectiveness. In this project, we describe a point cloud-based network verifier that successfully deals state of the art 3D classifier PointNet verifies the robustness by generating adversarial inputs. We have used extracted properties from the trained PointNet and changed certain factors for perturbation input. We calculate the impact on model accuracy versus property factor and can test PointNet network’s robustness against a small collection of perturbing input states resulting from adversarial attacks like the suggested hybrid reverse signed attack. The experimental results reveal that the resilience property of PointNet is affected by our hybrid reverse signed perturbation strategy

arxiv情報

提供元, 利用サービス

arxiv.jp, Google