【3D点云】对抗防御算法复现：DUP-Net

已于 2022-09-01 17:01:43 修改
阅读量990 收藏 5
点赞数
分类专栏： 3D点云 # 对抗攻击防御 文章标签： pytorch 深度学习 神经网络
于 2022-01-14 15:56:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kandy0125/article/details/122476387
版权

中心思想是复现SOR和PU-Net-Pytorch，参考了lyqun/PU-Net_pytorch的代码，但是在我的实验环境torch==1.9.0，计算emd距离的部分总是出错，所以使用daerduoCarey/PyTorchEMD的计算emd距离模块。
需要注意的是，在经过SOR模块的处理后，需要对输入进PU-Net的数据进行处理。

代码链接：Kandy990125/PUNet-Pytorch

kandy990125
关注
专栏目录
dbscan论文_点云对抗的第一篇论文Generating 3D Adversarial Point Clouds
weixin_28953361的博客
01-17 1142
动机Ian Goodfellow于2015年发表的Explaining and Harnessing Adversarial Examples 是对抗深度学习的一个奠基论文，其中提到了在现代深度学习里广泛存在的对抗样本问题。图像像素的轻微扰动，人眼无法感知，却可以骗过机器，以很高的置信度犯低级错误，比如将熊猫看成长臂猿。假设图像为 ，像素抖动为 ，真实标签为 ，baseline的优化损失函数...
【3D点云】对抗攻击算法复现 LG-GAN（tensorflow）
程序员养成计划
05-20 713
复现遇到的问题
DUP-Net：用于3D对抗点云防御的降噪器和上采样器网络
03-08
DUP-Net：用于3D对抗点云防御的降噪器和上采样器网络
AdvPC：AdvPC：3D点云上的可传递对抗性扰动（ECCV 2020）
01-28
AdvPC：3D点云上的可传递对抗性扰动（ECCV 2020） 作者：（ ，萨拉·罗哈斯（Sara Rojas），阿里·塔贝（Ali Thabet）， | 。 ECCV 2020论文的正式代码“ ”。 我们利用点云自动编码器对3D点云进行可转移的对抗攻击。 在ModelNet40数据上，我们的可传递性比SOTA高40％，打破SOTA 3D防御的比例高达38％。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @InProceedings{10.1007/978-3-030-58610-2_15, author="Hamdi, Abdullah and Rojas, Sara and Thabet, Ali and Ghanem, Bernard", editor="Vedaldi, Andrea and Bischof, Horst and Brox, Thomas and Frahm, Jan-Michael", title="AdvPC: Transferable Adversarial Perturbations on 3D Point Clouds", book
文章总结 DUP-Net: Denoiser and Upsampler Network for 3D Adversarial Point Clouds Defense
qq_41597596的博客
05-18 839
<1> 贡献： 提出了两种新的防御模块来减轻对点云的对抗（攻击），与基准方法相比，它们具有更好的性能; 利用去噪层的不可微性，即统计离群点去除，来抵御白盒攻击; 上采样网络可以在一个小的数据集上进行训练，可以很好地抵御来自其他点云数据集的攻击。 <2> 相关内容 输入一些精心设计的样本时，深度学习表现出极大的脆弱性，这些精心设计的样本就是对抗样本。对抗样本(Adversarial Examples)，就是向原始样本中添加一些人眼无法察觉的噪声，它们很容易欺骗深度神经网络，使其作出
"DUP-Net：3D对抗点云防御
1961DUP-Net：用于3D对抗点云防御的杭州周克江陈伟明张晓涵方文博周能海于中国{zh2991，chenkj，fanghan，welbeckz}@ mail.ustc.edu.cn{zhangwm，ynh}@ustc.edu.cn摘要神经网络容易受到对抗性样本的攻击，这对神经...
Dup-Pack：基于CRIS的FPGA装箱方法.pdf
07-13
本文提出的基于CSPack算法改进的Dup-Pack装箱方法，能够通过改变指令流描述文件来实现对不同FPGA芯片的装箱。该方法将用户电路网表中的衍生逻辑单元替换为标准逻辑单元，并对这些标准逻辑单元进行装箱，在实现高级...
hk-dup-finder:hadi重复文件查找器-开源
05-31
【hk-dup-finder：Hadi重复文件查找器——开源宝藏】 hk-dup-finder，一个由Hadi Kiamarsi开发的开源项目，是寻找计算机中重复文件的强大工具。这个软件的设计初衷是为了帮助用户有效管理和优化他们的存储空间，...
vscode-dup-checker:vscode扩展来检查和删除重复的行
05-10
DupChecker 特征 检查文件内容或选择中的重复行，如果只需要保留唯一行，则将其删除。 :NEW_button: 从v0.1.0开始，DupChecker使用来加快检查进度，并能够处理超过100k行的大型文件。 :red_exclamation_mark: ...
CVPR 2019: Generating 3D Adversarial Point Clouds 生成三维对抗点云数据
weixin_30279671的博客
03-28 1196
目前做的方向是点云分类，CVPR 2019中了的这篇论文算是颠覆了当前以PointNet为基础的使用深度学习方法进行的点云分类研究，特此关注下这篇文章。 论文链接：https://arxiv.org/abs/1809.07016 摘要： 已知深度神经网络容易受到精心设计的对抗性的例子的影响，导致模型做出错误的预测。虽然已经广泛研究了2D图像和CNN的对抗性示例，但是对诸如点云的3D数据的关注...
全网唯一！！三维点云分类的对抗性攻击和防御综述
最新发布
计算机视觉工坊
05-09 279
作为一种主要的AI技术，深度学习已经成功地解决了大量的2D视觉任务。最近，在3D点云方面，深度学习正在变得越来越流行，用于解决这个领域的各种任务。尽管已经取得了显著的成就，但深度学习算法很容易受到对抗性攻击。这些攻击几乎是人眼无法察觉到的，但却可以在测试和部署阶段轻易欺骗的深度神经网络。为支持未来的研究，本综述总结了目前在点云分类方面的对抗性攻击和防御技术的最新进展。本文首先介绍了对抗性攻击的原理和特点，并总结和分析了近年来对抗性实例的生成方法。此外，本文将防御策略分类为输入转换、数据优化和深度模型修改。
《论文阅读》LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Dee
未知丶的博客
11-21 989
留个笔记自用 LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks 做什么 点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。 点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。 一般的3D
day01--对抗样本学习-论文复现
404_Not__Found
10-10 416
攻击模型：Inception v3 数据集：ImageNet 原有预分类模型：TF-slim图像分类库 接论文 synthesizing-robust-adversarial-examples https://arxiv.org/abs/1707.07397 （综合强大的对抗样本） 代码： http://www.anishathalye.com/media/2017/07/25/adversari...
图像对抗学习笔记：复现DPatch
Dingjy117的博客
09-10 2062
参考文献 https://arxiv.org/abs/1806.02299 源码地址：https://github.com/veralauee/DPatch 本平台环境参数： gpu：GTX 1050 Ti（mobile） cpu：intel i7-7700HQ 内存：16GB Python 3.6 Ubuntu版本：16.04 NVIDIA驱动版本：384 cuda版本：cuda_9.0.176_384.81_linux cudnn版本：cudnn-9.0-linux-x64-v7.1 opencv源码版
【特训营第三期】基于生成对抗网络的3D点云生成
m0_63642362的博客
04-21 405
基于生成对抗网络的3D点云生成
3D点云识别安全吗? 密歇根大学等提出稳健性分析数据集应对严重失真
3D视觉工坊
02-19 401
来源丨机器之心来自密歇根大学等机构的研究者提出了一个新颖且全面的数据集 ModelNet40-C ，以系统地测试以及进一步提高点云识别模型对于失真的稳健性。3D 点云广泛应用于 3D 识别...
论文笔记-Adversarial Attacks against LiDAR Semantic Segmentation in Autonomous Driving
weixin_43748754的博客
06-17 219
点云语义分割的工作任务包括：给障碍物打标签，提取可驾驶区域和不可驾驶区域(如停车场和路边草地)边界的关键信息，从稀疏的点云数据重建三维环境，模拟路边的人工制品，如灯柱和交通标志。因此，为了更好地理解语义分割模型在对抗性驾驶环境中的性能，有必要研究针对这些模型的对抗性攻击。本文探索了在现实驾驶环境中对LiDAR点云分割模型进行实际有效的对抗性攻击的可能性，攻击者可以恶意地将受害者自动驾驶汽车的感知结果更改为他/她想要的结果，例如将车辆更改为道路或将道路更改为植被。攻击目标是改变分割模型的感知结果。
复现PU-Net利用深度学习对点云做上采样，可以补一些小孔洞
hbbdafamingjia的博客
03-27 3428
利用深度学习，对点云做上采样
基于3D点云的小目标检测学习笔记
sinounuo的博客
03-16 2802
3D点云检测学习笔记（仅为内容整理，有些东西比较省略，我放了原作者连接）
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值