目的 传统针对对抗攻击的研究通常集中于2维图像领域,而对3维物体进行修改会直接影响该物体的3维特性,生成令人无法察觉的扰动是十分困难的,因此针对3维点云数据的对抗攻击研究并不多.点云对抗样本,如点云物体分类、点云物体分割等的深度神经网络通常容易受到攻击,致使网络做出错误判断.因此,提出一种基于显著性图的点云替换对抗攻击方法.方法 由于现有点云分类网络通常需要获取点云模型中的关键点,该方法通过将点移动到点云中心计算点的显著性值,从而构建点云显著性图,选择具有最高显著性值的采样点集作为关键点集,以确保对网络分类结果造成更大的影响;利用Chamfer距离衡量点云模型之间的差异性,并选择与点云模型库中具有最近Chamfer距离的模型关键点集进行替换,从而实现最小化点云扰动并使得人眼难以察觉.结果 使用ModelNet40数据集,分别在点云分类网络PointNet和PointNet++上进行对比实验.在PointNet网络上,对比FGSM(fast gradient sign method)、I-FGSM(iterative fast gradient sign method)和JSMA(Jacobian-based saliency map attack)方法,本文方法攻击成功率分别提高38.6％、7.3％和41％;若扰动100个采样点,本文方法将使网络准确率下降到6.2％.在PointNet++网络上,对比FGSM和JSMA,本文方法的攻击成功率分别提高58.6％ 和85.3％;若扰动100个采样点,本文方法将使网络准确率下降到12.8％.结论 本文提出的点云对抗攻击方法,不仅考虑到对抗攻击的效率,而且考虑了对抗样本的不可察觉性,能够高效攻击主流的点云深度神经网络.
NETL
NSTL
万方数据
维普
