要約
監視されていないドメイン適応(UDA)フレームワークは、クリーンデータの3Dポイントクラウドセマンティックセグメンテーションモデルの優れた一般化機能を示しています。
ただし、既存の作業は、ソースドメイン自体が損なわれている場合、敵対的な堅牢性を見落としています。
UDAフレームワークの堅牢性を包括的に探求するために、まず、ポイント雲の表面にわずかな摂動だけでデータセットを大幅に汚染できるステルス敵のポイントクラウド生成攻撃を設計します。
それに基づいて、合成された汚染されたライダー点雲からなる新しいデータセットAdvsynlidarを提案します。
生成された破損したデータを使用すると、敵対的な適応フレームワーク(AAF)を対策としてさらに開発します。
具体的には、キーポイントに敏感な(KPS)損失を堅牢なロングテール損失(RLT損失)に延長し、デコーダーブランチを利用することにより、私たちのアプローチにより、モデルはトレーニング前の段階でロングテールクラスに焦点を合わせ、適応段階でポイントクラウド構造を復元するために高自信のデコードされたポイント情報をレバレッジできます。
AdvsynlidarデータセットでAAFメソッドを評価しました。この方法では、AAFメソッドが3DポイントクラウドセグメンテーションアプリケーションでのUDAのソース敵対的摂動の下でのパフォーマンス低下を軽減できることを示しています。
要約(オリジナル)
Unsupervised domain adaptation (UDA) frameworks have shown good generalization capabilities for 3D point cloud semantic segmentation models on clean data. However, existing works overlook adversarial robustness when the source domain itself is compromised. To comprehensively explore the robustness of the UDA frameworks, we first design a stealthy adversarial point cloud generation attack that can significantly contaminate datasets with only minor perturbations to the point cloud surface. Based on that, we propose a novel dataset, AdvSynLiDAR, comprising synthesized contaminated LiDAR point clouds. With the generated corrupted data, we further develop the Adversarial Adaptation Framework (AAF) as the countermeasure. Specifically, by extending the key point sensitive (KPS) loss towards the Robust Long-Tail loss (RLT loss) and utilizing a decoder branch, our approach enables the model to focus on long-tail classes during the pre-training phase and leverages high-confidence decoded point cloud information to restore point cloud structures during the adaptation phase. We evaluated our AAF method on the AdvSynLiDAR dataset, where the results demonstrate that our AAF method can mitigate performance degradation under source adversarial perturbations for UDA in the 3D point cloud segmentation application.
arxiv情報
著者 | Haosheng Li,Yuecong Xu,Junjie Chen,Kemi Ding |
発行日 | 2025-04-02 12:11:34+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google