تستخدم سحب النقاط من LiDAR على نطاق واسع في سيناريوهات الإدراك عن بُعد، مثل القيادة الذاتية. ومع ذلك، تظل نماذج الإدراك المعتمدة على LiDAR عرضة للاختلالات المعادية، مما قد يهدد موثوقية أنظمة الإدراك ثلاثية الأبعاد الحاسمة للسلامة. من بين أنماط الهجمات المختلفة، تعتبر الهجمات القابلة للتحويل عملية بشكل خاص لأنها تولد أمثلة معادية على نماذج بديلة متاحة وتطبق الأمثلة المتولدة مباشرة على نماذج الهدف المجهولة. ومع ذلك، غالبًا ما تؤثر الهجمات القابلة للتحويل الموجودة على سحب النقاط على المناطق التي تميز نموذج بديل ولكنها ليست مستقرة بشكل كاف عبر هياكل مختلفة، مما يؤدي إلى قابلية تحويل محدودة وتشوهات هندسية ملحوظة. لمعالجة هذه المشكلة، نقترح SAGE، وهو إطار عمل هجوم قابل للتحويل معزز بالأهمية والهندسة لرؤية سحب النقاط من LiDAR في تحديد المواقع عن بُعد. بالتحديد، يوحد SAGE أولويات نقطية مع إشارات تدرجات مصدر النموذج لتوليد خريطة أهمية، تعمل كمؤشر قابل للتحويل على الهياكل المحلية المعرضة للخطر. يستفيد SAGE أيضًا من هذه الخريطة من خلال تخصيص الاختلالات الموجهة بالأهمية وقيود هندسية صريحة لتعزيز قابلية التحويل مع الحفاظ على هندسة سحب النقاط. لإظهار فعالية SAGE، نقوم بتقييم SAGE على معايير تصنيف سحب النقاط ونقوم بمزيد من التحقق منها في الكشف ثلاثي الأبعاد عن الأجسام المعتمدة على LiDAR باستخدام KITTI وnuScenes. تُظهر النتائج التجريبية أن SAGE تتفوق بشكل متسق على طرق الهجوم القابلة للتحويل الموجودة في معدل نجاح الهجوم بينما تحافظ على جودة هندسية مفيدة لسحب النقاط المعادية. توضح هذه النتائج أن SAGE تقدم إطار عمل فعالًا وعمليًا لتقييم قوة التحويل لأنظمة الإدراك عن بُعد المعتمدة على LiDAR.
دراسة وو وآخرون (Sun) هذا السؤال.