3Dポイントクラウドのための堅牢な構造的宣言型分類器：暗黙の勾配を用いた敵対的攻撃への防御

PointNetのような3Dポイントクラウド分類のための深層ニューラルネットワークは、敵対的攻撃に対して脆弱であることが示されています。現在の敵対的防御手法は、攻撃されたポイントクラウドを再構成によってデノイズすることを学習し、それらを分類器への入力として供給します。文献とは対照的に、我々はポイントクラウド分類のための堅牢な構造的宣言型分類器のファミリーを提案します。この分類器は内部制約最適化メカニズムを用いて、暗黙の勾配を通じて敵対的攻撃を効果的に防御できます。このような分類器は、二層最適化フレームワークを使用して定式化することができます。さらに、構造的スパースコーディングと2D畳み込みニューラルネットワーク（CNN）に基づいた、我々のアプローチの効果的かつ効率的な具現化、すなわちラティス点分類器（LPC）を提案します。これはエンドツーエンドでのトレーニングが可能です。我々は、ModelNet40およびScanNetにおける7つの異なる攻撃者に対して、最先端の堅牢なポイントクラウド分類性能を示します。たとえば、最近のJGBA攻撃者の下で、各データセットにおいて89.51%と83.16%のテスト精度を達成し、DUP-NetおよびPointNetによるIF-Defenseを約70%上回ります。デモコードはhttps://zhang-vislab.github.ioで入手可能です。