一种基于几何特征领域添加扰动的对抗点云生成方法技术

本发明专利技术公开了一种基于几何特征领域添加扰动的对抗点云生成方法，考虑到三维点云之间的差异主要由几何形状决定，而神经网络模型经常会关注点云所具有的不同几何形状特征，并根据这些特征的差异来对点云进行分类，在此基础上，通过近似计算每个点的曲率，筛选出点云中几何特征明显的区域，并在这些区域中采样更多的点来保留更丰富的特征信息。此外，通过释放非特征区域的扰动，充分将扰动预算分配到特征区域来进行强调，使得神经网络模型更易关注错误信息，引导其错误分类，实现更有效的迁移黑盒攻击，从而能够在一定的扰动限制下，解决目前的3D点云对抗攻击算法针对正常训练的点云分类网络迁移攻击效果下降的问题。分类网络迁移攻击效果下降的问题。分类网络迁移攻击效果下降的问题。

【技术实现步骤摘要】
一种基于几何特征领域添加扰动的对抗点云生成方法


[0001]本专利技术属于计算机视觉3D点云识别
，更具体地，涉及一种基于几何特征领域添加扰动的对抗点云生成。

技术介绍

[0002]随着三维数据采集技术的快速发展，各种类型的激光雷达、3D扫描仪和RGBD相机逐渐流行，越来越多的3D数据集开始出现，深度学习算法在三维领域被广泛应用于自动驾驶、机器人、遥感、医疗保健等领域。虽然三维点云的深度学习在许多感知任务中都显示出了令人印象深刻的结果，但三维深度学习算法容易受到对抗性攻击仍然是一个非常严重的问题。通过在输入点云中添加小噪声、删除或添加一些点，这些干扰不能欺骗人眼，但是三维深度网络很容易被混淆，产生不正确的输出。由于点云深度学习算法在现实场景中得到了广泛的应用，对抗性实例的出现将导致严重的安全问题。评估并提高神经网络鲁棒性是一个极其重要的课题，对抗样本是其中的评估方法之一。因此，研究对抗性攻击和防御的操作，对于提高深度学习技术的可靠性具有重要意义，对于保护安全具有现实意义。
[0003]截至目前，许多研究者提出了多种3D对抗点云的生成方法。3D
‑
Adv是一个被提出的应用在3D点云领域的攻击方法，包括点扰动和点增加算法。KNN攻击在损失函数中增加了KNN距离损失，以增强点云表面的平滑性，以约束对抗性样本，实现物理世界攻击。GeoA通过在损失函数中添加局部曲率的一致性，将再生点指向物体表面，生成了局部更平滑的对抗点云等还有很多方法。尽管这些方法在白盒攻击中都取得了优异的效果，但是在迁移黑盒攻击中的表现还不尽人意。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于几何特征领域添加扰动的对抗点云生成方法，其目标在于解决现有的3D点云对抗攻击算法针对正常训练的点云分类网络迁移攻击效果下降的问题。
[0005]为实现上述目的，按照本专利技术的第一方面，提供了一种基于几何特征领域添加扰动的对抗点云生成方法，包括：
[0006]S1，计算3D点云中各点的曲率，将曲率大于预设曲率阈值的点划分为几何特征区域点，其余点划分为非特征区域点；分别从几何特征区域点和非特征区域点中采样n*a
geo
和n*(1
‑
a
geo
)个点作为输入样本；其中，a
geo
为采样关注参数，n∈R
+
；
[0007]S2，将所述输入样本输入点云分类器，基于分类损失函数和距离感知损失函数计算所述输入样本的梯度；
[0008]S3，将梯度与步长的乘积作为所述输入样本经本次迭代得到的扰动，将其中非特征区域采样点的扰动置零后，叠加至上一次迭代得到的几何特征区域采样点的扰动上并进行缩放，使其不大于扰动阈值；
[0009]S4，将缩放后的几何特征区域采样点的扰动叠加至所述输入样本，得到对抗样本；
[0010]S5，将所述对抗样本作为输入样本，重复步骤S2
‑
S4，直至达到预设迭代次数，得到对抗点云。
[0011]优选地，采用最远点采样法分别从几何特征区域点和非特征区域点中采样n*a
geo
和n*(1
‑
a
geo
)个点作为输入样本。
[0012]优选地，梯度的计算公式为：
[0013][0014]其中，g
i
为第i次迭代计算得到的输入样本的梯度,P0为初始输入的采样后点云，P
i
为第i次迭代的输入的点云，y为输入点云P0的正确分类标签，J(P
i
,y)为分类损失函数，D(P0,P
i
)为距离感知损失函数。
[0015]优选地，扰动叠加的计算公式为：
[0016]δ
i+1
＝δ
i
(feature)+α
·
g
i
；
[0017]其中，δ
i+1
为第i+1次迭代计算得到的输入样本的扰动，δ
i
(feature)为第i次迭代的几何特征区域点的扰动，α为迭代步长，g
i
为第i次迭代计算的梯度。
[0018]优选地，按照以下公式对几何特征区域采样点的扰动进行缩放：
[0019][0020]δ
i+1
(feature)为第i+1次迭代的几何特征区域采样点的扰动,δ
i+1
为第i+1次迭代计算得到的输入样本的扰动，δ
i+1
(origin)为第i+1次迭代的非特征区域采样点的扰动，G(
·
)为量化扰动大小的函数，ε为扰动阈值。
[0021]优选地，对抗样本的计算公式为：
[0022]P
i+1
＝P0+δ
i+1
(feature)；
[0023]其中，P
i+1
为输出对抗点云，P0为原始输入点云，δ
i+1
(feature)为第i+1次迭代得到的几何特征区域点的扰动。
[0024]优选地，曲率的计算公式为：
[0025][0026]其中，q
i
为点云中的点，为q
i
的k个相邻点的集合，<
·
,
·
>为向量的内积，为q
i
在点云表面的单位法向量。
[0027]按照本专利技术的第二方面，提供了一种基于几何特征领域添加扰动的对抗点云生成系统，包括：计算机可读存储介质和处理器；
[0028]所述计算机可读存储介质用于存储可执行指令；
[0029]所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的方法。
[0030]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0031]1、本专利技术提供的基于几何特征领域添加扰动的对抗点云生成方法，考虑到三维点云之间的差异主要由几何形状决定，而神经网络模型经常会关注点云所具有的不同几何形状特征，并根据这些特征的差异来对点云进行分类，在此基础上，通过近似计算每个点的曲率，筛选出点云中几何特征明显的区域，并在这些区域中采样更多的点来保留更丰富的特征信息。此外，通过释放非特征区域的扰动，充分将扰动预算分配到特征区域来进行强调，使得神经网络模型更易关注错误信息，引导其错误分类，实现更有效的迁移黑盒攻击，从而能够在一定的扰动限制下，解决目前的3D点云对抗攻击算法针对正常训练的点云分类网络迁移攻击效果下降的问题。
[0032]2、本专利技术提供的基于几何特征领域添加扰动的对抗点云生成方法，生成的对抗点云具有可迁移性，可以攻击其它多种类别的点云分类模型，通用性强。
附图说明
[0033]图1为本专利技术提供的基于几何特征领域添加扰动的对抗点云生成方法流程示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于几何特征领域添加扰动的对抗点云生成方法，其特征在于，包括：S1，计算3D点云中各点的曲率，将曲率大于预设曲率阈值的点划分为几何特征区域点，其余点划分为非特征区域点；分别从几何特征区域点和非特征区域点中采样n*a
geo
和n*(1
‑
a
geo
)个点作为输入样本；其中，a
geo
为采样关注参数，n∈R
+
；S2，将所述输入样本输入点云分类器，基于分类损失函数和距离感知损失函数计算所述输入样本的梯度；S3，将梯度与步长的乘积作为所述输入样本经本次迭代得到的扰动，将其中非特征区域采样点的扰动置零后，叠加至上一次迭代得到的几何特征区域采样点的扰动上并进行缩放，使其不大于扰动阈值；S4，将缩放后的几何特征区域采样点的扰动叠加至所述输入样本，得到对抗样本；S5，将所述对抗样本作为输入样本，重复步骤S2
‑
S4，直至达到预设迭代次数，得到对抗点云。2.如权利要求1所述的方法，其特征在于，采用最远点采样法分别从几何特征区域点和非特征区域点中采样n*a
geo
和n*(1
‑
a
geo
)个点作为输入样本。3.如权利要求1或2所述的方法，其特征在于，梯度的计算公式为：其中，g
i
为第i次迭代计算得到的输入样本的梯度,P0为初始输入的采样后点云，P
i
为第i次迭代的输入的点云，y为输入点云P0的正确分类标签，J(P
i
,y)为分类损失函数，D(P0,P
i
)为距离感知损失函数。4.如权利要求1所述的方法，其特征在于，扰动叠加的计算公式为：δ
i+1
＝δ
i
(feature)+α
...

【专利技术属性】
技术研发人员：吕俊挺，盛银，曾志刚，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：