基于自适应局部优化的三维点云对抗攻击方法技术

本申请公开了一种基于自适应局部优化的三维点云对抗攻击方法，包括：对原始点云进行区域划分；将区域划分后的原始点云输入到训练好的网络模型，以得到网络模型的识别结果，并根据识别结果得到每个区域的贡献值，并对每个区域按照贡献值进行排列；获取攻击区域数量，以便根据攻击区域数量在排序后的每个区域中得到攻击的脆弱性区域；对脆弱性区域进行攻击，并根据距离约束和惩罚项约束得到对应的对抗点云；在三维坐标系的不同方向自适应分配扰动量，并迭代优化扰动量，以便更新对抗点云；对更新后的最终对抗点云进行可视化；由此，通过局部区域攻击以减少三维对抗点云的生成代价，同时采用自适应局部攻击算法，能够生成高质量的三维对抗点云。的三维对抗点云。的三维对抗点云。

【技术实现步骤摘要】
基于自适应局部优化的三维点云对抗攻击方法


[0001]本申请涉及模型对抗学习
，特别涉及一种基于自适应局部优化的三维点云对抗攻击方法。

技术介绍

[0002]相关技术中，三维对抗点云是指在原始点云上通过对抗性操作，例如移动点、增加点和删除点，而生成的数据，这种数据也称为对抗样本；对抗点云容易使得三维网络模型产生错误的预测结果；通过三维对抗点云的研究能够更好地理解三维网络模型的工作原理和特性，同时可以提升三维网络模型的鲁棒性和安全性。
[0003]三维对抗样本需要考虑：1)对抗样本的攻击成功率，生成的对抗样本应该具有高攻击成功率；对抗样本对深度神经网络模型的攻击成功率越高，说明对抗样本对模型的危害越大。2)对抗样本的不可感知性，生成的对抗样本应该具有良好的不可感知性；具有良好的不可感知性的对抗样本可以使得人眼视觉难以察觉到其与原始样本的差异。3)对抗样本的生成代价，应该以最小的代价来生成对抗样本，例如对抗性修改的点的数量最小。
[0004]目前，对抗学习研究主要集中于二维图像领域；相对于二维图像，基于三维点云的对抗学习的研究本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应局部优化的三维点云对抗攻击方法，其特征在于，包括以下步骤：对原始点云进行区域划分；将区域划分后的所述原始点云输入到训练好的网络模型，以得到网络模型的识别结果，并根据所述识别结果得到每个区域的贡献值，并对所述每个区域按照贡献值进行排列；获取攻击区域数量，以便根据所述攻击区域数量在排序后的每个区域中得到攻击的脆弱性区域；对所述脆弱性区域进行攻击，并根据距离约束和惩罚项约束得到对应的对抗点云；在三维坐标系的不同方向自适应分配扰动量，并迭代优化所述扰动量，以便更新所述对抗点云；对更新后的最终对抗点云进行可视化。2.如权利要求1所述的基于自适应局部优化的三维点云对抗攻击方法，其特征在于，每个区域的贡献值根据以下公式计算：其中，表示原始点云的第i个区域的贡献值；对于一个划分为m个区域的原始点云x＝(a1，a2，...，a
k
，...，a
m
)，每个区域视为一个玩家，那么所有玩家组成的集合可以表示为M＝{1，2，
…
，m}，给定网络模型f，其输出结果表示为g(
·
)，假设S∈M是其中一些玩家组成的集合，那么集合S中的玩家参与博弈时获得的收益可以表示为g(S)。3.如权利要求2所述的基于自适应局部优化的三维点云对抗攻击方法，其特征在于，对所述脆弱性区域进行攻击，并根据距离约束得到对应的对抗点云，包括：对抗样本生成方法公式化；使用距离约束对抗样本的生成；使用惩罚项约束对抗样本的生成。4.如权利要求3所述的基于自适应局部优化的三维点云对抗攻击方法，其特征在于，根据以下公式进行对抗样本生成方法公式化：x
′
＝{a
′
i
＝a
i
+e
i
|a
i
∈x}min C
Region
＝l(x
′
)+λ*D(x，x
′
)其中，假设点云x划分为m个区域，即x＝[a1，a2…
，a
m
]，e
i
表示区域a
i
的扰动量，a
′
i
由区域a
i
扰动得到；l(x
′
)为惩罚项，D(x，x
′
)是原始点云x和对抗点云x
′

【专利技术属性】
技术研发人员：刘伟权，郑世均，臧彧，沈思淇，王程，
申请(专利权)人：厦门大学，
类型：发明
国别省市：