A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks

要約

近年、ディープラーニングベースの 3D オブジェクト検出が大幅に進歩し、多くのアプリケーションで広く採用されるようになりました。
3D オブジェクト検出器はセキュリティが重要なタスクにとってますます重要になるため、敵対的な攻撃に対するその堅牢性を理解することが不可欠です。
この論文では、敵対的攻撃に対する LiDAR ベースの 3D 検出器の堅牢性に関する初めての包括的な評価と分析を紹介します。
具体的には、3 つの異なる敵対的攻撃を 3D オブジェクト検出タスクに拡張し、KITTI および Waymo データセットに対する攻撃に対する最先端の LiDAR ベースの 3D オブジェクト検出器の堅牢性をベンチマークします。
堅牢性と検出器の特性の関係をさらに分析します。
さらに、クロスモデル、クロスタスク、クロスデータ攻撃の転送可能性についても調査します。
3D 検出器の防御戦略に関する徹底的な実験が行われ、適用された変換戦略が攻撃者にさらされた場合、反転などの単純な変換は堅牢性の向上にほとんど役立たないことが実証されました。
\revise{最後に、精度と堅牢性のバランスを取るために、従来の敵対的トレーニングに基づいた、バランスの取れた敵対的焦点トレーニングを提案します。} 私たちの発見は、LiDAR ベースの 3D 物体検出器に対する敵対的攻撃を理解し、防御するための調査を容易にし、進歩をもたらします。
フィールド。
ソース コードは \url{https://github.com/Eaphan/Robust3DOD} で公開されています。

要約(オリジナル)

Recent years have witnessed significant advancements in deep learning-based 3D object detection, leading to its widespread adoption in numerous applications. As 3D object detectors become increasingly crucial for security-critical tasks, it is imperative to understand their robustness against adversarial attacks. This paper presents the first comprehensive evaluation and analysis of the robustness of LiDAR-based 3D detectors under adversarial attacks. Specifically, we extend three distinct adversarial attacks to the 3D object detection task, benchmarking the robustness of state-of-the-art LiDAR-based 3D object detectors against attacks on the KITTI and Waymo datasets. We further analyze the relationship between robustness and detector properties. Additionally, we explore the transferability of cross-model, cross-task, and cross-data attacks. Thorough experiments on defensive strategies for 3D detectors are conducted, demonstrating that simple transformations like flipping provide little help in improving robustness when the applied transformation strategy is exposed to attackers. \revise{Finally, we propose balanced adversarial focal training, based on conventional adversarial training, to strike a balance between accuracy and robustness.} Our findings will facilitate investigations into understanding and defending against adversarial attacks on LiDAR-based 3D object detectors, thus advancing the field. The source code is publicly available at \url{https://github.com/Eaphan/Robust3DOD}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google