CVPR 2019: Generating 3D Adversarial Point Clouds 生成三维对抗点云数据

目前作的方向是点云分类，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。

论文连接：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，致使模型作出错误的预测。虽然已经普遍研究了2D图像和CNN的对抗性示例，可是对诸如点云的3D数据的关注较少。鉴于许多安全关键的3D应用程序（如自动驾驶），研究对抗点云如何影响当前的深3D模型很是重要。在这项工做中，咱们提出了几种新的算法来针对PointNet制做对抗点云，PointNet是一种普遍使用的用于点云处理的深度神经网络。咱们的算法以两种方式工做：对抗点扰动和对抗点生成。对于点扰动，咱们可微小地改变现有点。对于点生成，咱们生成一组独立的和分散的点或少许（1-3）具备有意义形状的点簇，例如能够隐藏在肉眼认为中的球和飞机点云模型中。此外，咱们制定了针对点云攻击的六种扰动测量指标，并进行了大量实验来评估所提出的算法。

 

目前还没开源代码，等待开源……

对于点云分类来讲，这是以前没有见到过的研究方向，将来的点云分类方法的验证或许须要进行此类的算法可行性验证。

很开心看到点云方向的逐渐繁荣。