【技术实现步骤摘要】
一种基于梯度攻击的三维激光雷达点云数据扩增方法
[0001]本专利技术属于软件工程和机器学习领域，尤其是深度学习方法在数据扩增领域的应用，用于对三维激光雷达点云进行数据扩增与合成。
技术介绍
[0002]随着算力水平的不断提升与机器学习算法的不断演进，人工智能技术被广泛地应用于医疗诊断、军用探测等各个领域中。而与传统仅追求功能与性能的算法不同，应用于安全攸关领域的机器学习算法需要保证在各类应用环境下均能保持高可靠性，以保证诸如人身、财产与军事安全。
[0003]三维激光雷达点云数据如今被广泛地应用于自动驾驶、军事安全等民用与军用领域的深度学习算法中。然而，一方面，深度学习算法往往需要大量数据样本以进行训练，高可靠、高质量、高数量的激光雷达点云数据的需求日益增长。另一方面，激光雷达本身造价昂贵，且其数据采集、清洗、标记过程复杂费时，因此往往存在样本数量缺乏、多样性有限的限制。
[0004]与此同时，在深度学习模型测试方面，由于模型的决策逻辑皆从训练样本中学习而来，这种黑盒模式使得系统的错误行为比传统软件系统更难...
【技术保护点】
【技术特征摘要】
1.一种基于梯度攻击的三维激光雷达点云数据扩增方法，其特征是将三维激光雷达点云数据的数据扩增过程处理为将原始三维激光雷达点云数据作为PointNet模型的输入，通过梯度攻击的方式生成高度近似原始三维激光雷达点云数据，却能使模型做出错误分类的用例的过程。基于样本输入PointNet模型后进行损失反向传播而得的梯度值，迭代式的对样本进行梯度攻击，直至达到迭代次数上限或成功生成能使PointNet模型做出错误分类结果的样本。本方法可以通过输入大量三维激光雷达点云数据，在短时间内产生与之高度近似的，却能使模型做出错误分类的用例。2.根据权利要求1所描述的一种基于梯度攻击的三维激光雷达点云数据扩增方法，其特征是预处理三维激光雷达点云数据，以供后续作为模型输入使用，主要通过以下几个步骤：1)对激光雷达点云数据样本进行重采样。基于对激光雷达点云数据样本的格式化读取，随机筛选出点云中指定个数k的点。对点云数据进行零均值化处理与归一化处理，约束点云数据的空间分布；2)对激光雷达点云数据进行初步简易扩增。对点云绕z轴方向整体进行随机旋转(可选)。生成服从正态分布μ＝0，σ＝0.02且数量与点云中元素个数相同的随机数，并将其构造成k行3列的扰动矩阵M。将扰动矩阵M添加应用于点云整体。3.根据权利要求1所描述的一种基于梯度攻击的三维激光雷达点云数据扩增方法，其特征在于，梯度攻击的算法构造如下：其中，X代表原始样本，代表第N次迭代所得的对抗样本，y
true
表示原始样本所对应的真实分类结果，α为单步扰动幅度，为模型的损失函数，为负对数似然损失函数，sign为符号函数，Fit为配对函数，用以保证点云任意维度的扰动值之和为0。进一步的，配对函数Fit包括以下步骤：1)读取Fit函数的输入B。输入B本质上为在当前点云数据样本输入下，模型的输出在基于损失函数所反向传播得到的、输入部分所对应的梯度值在经过符号函数处理后的结果。B是k行3列的矩阵，形状与输入的点云数据样本相同。4.分别遍历输入B的三列数据，筛选各列数据以保证每列数据均值为0。对于每一列数据，首先计算该列数据总和，如果为0，则已完成筛选。否则，如果总和为负数，则随机将该列中值为
‑
1的元素修改为0，直至总和为0；如果总和为正数，则随机将该列中值为1的元素修改为0，直至总和为0。5.根据权利要求1所描述的一种基于梯度攻击的三维激光雷达点云数据扩增方法，其特征在于，对权利要求2所描述的预处理三维激光雷达点云数据进行梯度攻击，定义...
【专利技术属性】
技术研发人员：房春荣，刘关迪，刘佳玮，林聚，陈振宇，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。