TPAMI 2024 | 图谱域中的点云攻击：当三维几何遇到图信号处理时

最新推荐文章于 2024-08-27 17:43:07 发布
最新推荐文章于 2024-08-27 17:43:07 发布
阅读量46 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 信号处理 计算机视觉 论文解读 计算机顶会
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/qq_42722197/article/details/139424746
版权
论文解读 IEEE TPAMI 专栏收录该内容
163 篇文章 11 订阅 ¥29.90 ¥99.00
订阅专栏

题目：Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets Graph Signal Processing

图谱域中的点云攻击：当三维几何遇到图信号处理时

作者：Daizong Liu; Wei Hu; Xin Li

摘要

随着对各种3D安全关键应用的日益关注，已经显示出点云学习模型对对抗性攻击的脆弱性。尽管现有的3D攻击方法取得了高成功率，但它们通过逐点扰动深入数据空间，这可能会忽略几何特征。相反，我们提出了一种新的点云攻击视角——图谱域攻击，旨在干扰对应于变化某些几何结构的谱域中的图变换系数。具体来说，利用图信号处理，我们首先通过图傅里叶变换（GFT）自适应地将点的坐标转换到谱域以获得紧凑的表示。然后，我们分析了不同谱带对几何结构的影响，基于此，我们提出了通过可学

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
awesome-3D点云攻击：最新技术论文，代码和其他资源的列表
02-21
很棒的3D点云攻击 最新的论文，代码和其他资源列表，重点介绍3D点云攻击 [] [] CVPR 2020 [] AAAI 2020 [] CVPR 2020 [] CVPR 2019 [] [] [] [] CVPR 2020 [] [] CVPR 2019 [] TRAMI [] ACM MM
TPAMI三维点云深度学习技术综述
3D视觉工坊
12-09 1339
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨单博来源丨笑傲算法江湖点击进入—>3D视觉工坊学习交流群国防科大 IEEE TPAMI 2020本文仅用于学术分享，如有侵权，请联系后台作删文处理部分参考https://zhuanlan.zhihu.com/p/1036403990 摘要点云学习（Point cloud learning）因其在计算机视觉、自动驾驶、机器人等领域的...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 4704
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
论文阅读 [TPAMI-2022] Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis
weixin_42155685的博客
04-10 241
论文阅读 [TPAMI-2022] Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis 论文搜索(studyai.com) 搜索论文: Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis 搜索论文: http://www.studyai.com/search/whole-site/?q=Learnable+
上海交大周冰心博士：锚定稀缺生物数据挑战，图神经网络重塑蛋白质理解与生成
HyperAI超神经
08-20 1121
如下图所示，a, b 两图分别是来自深海和高山的相同基因的不同网络，其原始形态复杂且杂乱无章，通过构建类似人类社交网络的图神经网络，我们对两个网络进行简化，识别出占据绝对主导地位的基因，并区分哪些基因间存在更为紧密的联系，哪些基因间的联系相对较弱。这个结果一方面可用于检验模型的合理性，例如，在预测蛋白质功能时，若模型能在一定程度上将关键原子或氨基酸定位至活性中心附近，则表明该模型具备一定的合理性，反之，若模型的注意力随机离散分布在蛋白质表面的多个氨基酸上，则模型可能存在问题。模型框架如下图所示。
为什么要进行图学习？谈一谈逆势而上的图神经网络
小白学视觉
01-10 1125
点击上方 蓝字关注我们问一问近几年来逆势而上的技术有什么？相信你一定会说出来一个：图神经网络。图神经网络将会在人工智能的各个领域起着非常重要的作用，虽然目前还没有完全成为各大顶会的焦点，...
薛建儒：无人车的场景理解与自主运动
人工智能学家
11-25 1637
来源：人工智能前沿讲习一报告导读本文为西安交通大学人工智能与机器人研究所薛建儒教授，做的题为无人车场景计算与自主运动的研究进展的报告，主要从无人车概述、场景理解、自主运动...
腾讯张正友：计算机视觉的三生三世
人工智能学家
07-14 566
本文转载自：腾讯AI实验室本文将介绍腾讯 AI Lab & Robotics X 主任张正友博士在 CCF-GAIR 2019 大会上所做的报告，讲述计算机视觉研...
演讲实录丨徐宗本院士：如何突破机器学习的先验假设？
人工智能学家
08-05 1995
来源：中国人工智能学会2021年6月5日至6日，由中国科学技术协会、中国科学院、中国工程院、浙江省人民政府指导，中国人工智能学会、杭州市人民政府主办，杭州市余杭区人民政府筹备组承办，浙江杭...
Deep Learning for 3D Point Clouds: A Survey - 3D点云的深度学习：一项调查 (IEEE TPAMI 2020)
77wpa的博客
02-02 1795
由于点云学习在计算机视觉、自动驾驶和机器人等许多领域的广泛应用，点云学习最近引起了越来越多的关注。作为人工智能中的一项主要技术，深度学习已经成功地用于解决各种2D视觉问题。然而，由于使用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段。最近，点云上的深度学习变得更加繁荣，有许多方法被提出来解决这一领域的不同问题。为了促进未来的研究，本文全面回顾了点云深度学习方法的最新进展。它包括三个主要任务，包括3D形状分类、3D目标检测和跟踪以及3D点云分割。
TPAMI 2024 | 用于点云三维实例分割的可扩展软组
小白学视觉
06-25 70
本文提出了一种称为SoftGroup的新型网络，旨在实现点云上准确且可扩展的3D实例分割。现有的最先进方法通常首先生成硬语义预测，然后进行实例分割的分组阶段。然而，这些硬决策中的错误往往会传播，导致预测实例与真实标注之间的匹配度差，以及产生大量误报。为了解决这些问题，SoftGroup允许每个点与多个类别关联，从而减轻了语义预测中固有的不确定性。它还通过学习将它们归类为背景来减少误报实例。在可扩展性方面，当前的快速方法需要在大规模场景上进行数十秒的计算时间，这是不满意的，并且不适合实时应用。
TPAMI 2024 | I2C：用于高保真可变速率图像压缩的可逆连续编解码器
小白学视觉
07-21 96
有损图像压缩是媒体传输和存储中的核心技术。最近，可变码率方法获得了较多关注，以避免在不同压缩率下使用不同的模型集合。在媒体共享过程中，不可避免地会执行多次不同码率的重新编码。然而，现有的基于变分自编码器（VAE）的方法在这种情况下很容易被破坏，导致强烈的伪影出现和图像保真度的破坏。基于通过可逆变换保持图像保真的理论发现，我们旨在解决高保真度细粒度可变码率图像压缩的问题，因此提出了可逆连续编解码器（I2C）。我们以数学可逆的方式实现I2C，并采用核心的可逆激活变换（IAT）模块。
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 977
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
TPAMI 2024 | PathNet: 基于路径选择的点云去噪
小白学视觉
07-29 561
当前的点云去噪(PCD)模型优化单一网络，试图使其参数适应于大量点云池中的每个点。这种去噪网络范式忽略了不同点通常受到不同程度的噪声干扰，并且它们可能传达不同的几何结构。因此，噪声和几何的复杂性带来了包括残留噪声、错误平滑的边缘和去噪后形状扭曲等副作用。我们提出了PathNet，一种基于强化学习(RL)的路径选择性PCD范式。与现有工作不同，PathNet能够动态选择每个点最合适的去噪路径，最佳地将其移动到其底层表面上。除了首次提出路径选择性PCD框架外，我们还有另外两个贡献。
Linux信号处理机制基础
qq_62850449的博客
08-27 644
无论一个进程是正常终止还是异常终止，都会通过系统内核向其父进程发送SIGCHLD(17)信号。父进程完全可以在针对SIGCHLD(17)信号的信号处理函数中，异步地回收子进程的僵尸，简洁而又高效。由于父子进程共用终端设备我们需要在vi上进行，开启两个窗口，向子进程发送2号和3号信号。返回值:成功返回原信号处理方式，如果之前未处理过则返回NULL，失败返回SIG_ERR。SIG_IGN -忽略。handler 信号的处理方式，可以如下取值。功能:设置调用进程针对特定信号的处理方式。
PIL convert(‘RGB‘) 用法
jacke121的专栏
08-27 356
Pil convert('RGB') 用法
什么是计算机视觉？
最新发布
2401_86434460的博客
08-27 254
具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。计算机视觉技术经过几十年的发展，已经在交通（车牌识别、道路违章抓拍）、安防（人脸闸机、小区监控）、金融（刷脸支付、柜台的自动票据识别）、医疗（医疗影像诊断）、工业生产（产品缺陷自动检测）等多个领域应用，影响或正在改变人们的日常生活和工业生产方式。未来，随着技术的不断演进，必将涌现出更多的产品和应用，为我们的生活创造更大的便利和更广阔的机会。
"深度点云处理模型应用及挑战分析：三维视觉论坛第25期分享
该研究设计了一个新的网络框架，成功地将球面卷积应用于直接处理点云数据，并利用分层结构设计了网络结构，将图片识别中成功的空间卷积、池化和残差结构等技术应用到了点云识别中。这一关键创新不仅提高了点云识别...
评论
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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