Attack on Scene Flow using Point Clouds

📄 arXiv: 2404.13621v7 📥 PDF

作者: Haniyeh Ehsani Oskouie, Mohammad-Shahram Moin, Shohreh Kasaei

分类: cs.CV, cs.LG, cs.MM

发布日期: 2024-04-21 (更新: 2026-05-31)

DOI: 10.13140/RG.2.2.29455.19362

🔗 代码/项目: GITHUB

💡 一句话要点

提出针对场景流的对抗攻击以提升鲁棒性

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 场景流 对抗攻击 深度学习 点云 鲁棒性 光流网络 视频分析

📋 核心要点

  1. 现有的场景流网络在面对对抗攻击时的鲁棒性尚未得到充分研究，存在安全隐患。
  2. 本文提出了一种针对场景流网络的对抗白盒攻击方法，以提高其鲁棒性，填补相关研究空白。
  3. 实验结果显示，针对场景流网络的对抗攻击在KITTI和FlyingThings3D数据集上导致平均端点误差下降33.7%。

📝 摘要（中文）

深度神经网络在使用点云准确估计场景流方面取得了显著进展，这对于视频分析、动作识别和导航等应用至关重要。然而，这些技术的鲁棒性仍然令人担忧，尤其是在面对对抗攻击时。本文提出了一种专门针对场景流网络的对抗白盒攻击方法，填补了这一研究空白。实验结果表明，生成的对抗样本在KITTI和FlyingThings3D数据集上平均端点误差相对下降高达33.7%。研究还揭示了仅针对一个维度或颜色通道的攻击对平均端点误差的显著影响。对场景流网络及其2D光流网络变体的攻击成功与失败分析显示，光流网络的脆弱性更高。

🔬 方法详解

问题定义：本文旨在解决场景流网络在面对对抗攻击时的脆弱性，现有方法未能有效应对这一挑战。

核心思路：提出一种专门针对场景流网络的对抗白盒攻击方法，通过生成对抗样本来评估和提升网络的鲁棒性。

技术框架：整体架构包括对抗样本生成模块和场景流网络评估模块，前者负责生成攻击样本，后者用于评估网络在攻击下的表现。

关键创新：最重要的创新在于首次针对场景流网络设计对抗攻击，揭示了其在不同维度和颜色通道下的脆弱性。

关键设计：在对抗样本生成中，采用特定的损失函数和参数设置，以确保生成样本能够有效降低场景流网络的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，针对场景流网络的对抗攻击在KITTI和FlyingThings3D数据集上导致平均端点误差相对下降高达33.7%。此外，研究还发现，仅针对一个维度或颜色通道的攻击对性能的影响显著，光流网络的脆弱性更高。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和视频监控等，提升了场景流网络在实际应用中的安全性和鲁棒性。未来，研究成果可为开发更安全的深度学习模型提供理论基础和实践指导。

📄 摘要（原文）

Deep neural networks have made significant advancements in accurately estimating scene flow using point clouds, which is vital for many applications like video analysis, action recognition, and navigation. The robustness of these techniques, however, remains a concern, particularly in the face of adversarial attacks that have been proven to deceive state-of-the-art deep neural networks in many domains. Surprisingly, the robustness of scene flow networks against such attacks has not been thoroughly investigated. To address this problem, the proposed approach aims to bridge this gap by introducing adversarial white-box attacks specifically tailored for scene flow networks. Experimental results show that the generated adversarial examples obtain up to 33.7 relative degradation in average end-point error on the KITTI and FlyingThings3D datasets. The study also reveals the significant impact that attacks targeting point clouds in only one dimension or color channel have on average end-point error. Analyzing the success and failure of these attacks on the scene flow networks and their 2D optical flow network variants shows a higher vulnerability for the optical flow networks. Code is available at https://github.com/aheldis/Attack-on-Scene-Flow-using-Point-Clouds.git.