Key points are not available for this paper at this time.
Avec la maturité des capteurs de profondeur, la vulnérabilité des modèles de nuages de points 3D a reçu une attention croissante dans diverses applications telles que la conduite autonome et la navigation robotique. Les attaquants adversariaux 3D précédents suivent soit le cadre de la boîte blanche pour mettre à jour de manière itérative les perturbations des coordonnées basé sur les gradients, soit utilisent les logits du modèle de sortie pour estimer des gradients bruyants dans le cadre de la boîte noire. Cependant, ces méthodes d'attaque sont difficiles à déployer dans des scénarios réels, car les applications 3D réalistes ne partageront aucun détail du modèle avec les utilisateurs. Par conséquent, nous explorons un cadre d'attaque 3D plus difficile mais pratique, c'est-à-dire attaquer des nuages de points avec des étiquettes dures en boîte noire, dans lequel l'attaquant ne peut accéder qu'à l'étiquette de prédiction de l'entrée. Pour aborder ce cadre, nous proposons une nouvelle méthode d'attaque 3D, appelée attaquant 3D à étiquette dure (3DHacker), basée sur l'algorithme de frontière décisionnelle développé pour générer des échantillons adversariaux uniquement avec la connaissance des étiquettes de classe. Plus précisément, pour construire la frontière décisionnelle du modèle consciente des classes, 3DHacker fusionne d'abord au hasard deux nuages de points de classes différentes dans le domaine spectral pour créer leur échantillon intermédiaire avec une haute imperceptibilité, puis le projette sur la frontière décisionnelle via une recherche binaire. Pour restreindre la taille de la perturbation finale, 3DHacker introduit également une stratégie d'optimisation itérative pour déplacer l'échantillon intermédiaire le long de la frontière décisionnelle afin de générer des nuages de points adversariaux avec les plus petites perturbations triviales. Des évaluations extensives montrent que, même dans le cadre difficile des étiquettes dures, 3DHacker surpasse toujours de manière compétitive les attaques 3D existantes en ce qui concerne la performance de l'attaque ainsi que la qualité de l'adversaire.
Tao et al. (Sun,) ont étudié cette question.
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: