CN111914946B - 针对离群点移除方法的对抗样本生成方法、系统和装置 - Google Patents
针对离群点移除方法的对抗样本生成方法、系统和装置 Download PDFInfo
- Publication number
- CN111914946B CN111914946B CN202010835090.1A CN202010835090A CN111914946B CN 111914946 B CN111914946 B CN 111914946B CN 202010835090 A CN202010835090 A CN 202010835090A CN 111914946 B CN111914946 B CN 111914946B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- cloud data
- classification
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 39
- 238000004364 calculation method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别领域，具体涉及了一种针对离群点移除方法的对抗样本生成方法、系统和装置，旨在解决现有的基于深度学习的分类模型训练所采用的对抗样本无法在移除离群点的方法下使图像分类出错，导致训练出的分类模型鲁棒性差精确度低的问题。本发明包括：获取带有类别标签的训练数据集，将三维点云数据输入分类模型并计算分类损失，分别计算分类损失关于三维点云数据的梯度和关于移除离群点的三维点云数据的梯度，并将两种梯度融合乘以缩放因子生成融合扰动，将融合扰动施加到三维点云数据中反复迭代生成对抗样本。本发明生成的对抗样本在移除离群点的情况下仍然能造成图像分类错误，提高了训练出来的模型的鲁棒性和分类精确度。
Description
技术领域
本发明属于图像识别领域，具体涉及了一种针对离群点移除方法的对抗样本生成方法、系统和装置。
背景技术
基于深度学习的三维点云分类模型近几年得到了极大发展，在 ModelNet40数据集上可以达到大约90％的分类准确率。但与此同时，在图像分类领域，基于深度学习的分类模型容易受到对抗样本攻击，从外观上看，对抗样本与正常样本几乎没有差别，但对抗样本会让分类模型出现错误的情况。然而，很少有针对三维点云领域的对抗样本的研究，而三维点云分类领域关系到自动驾驶、机器抓取等对安全性要求极高的工程项目，因此研究三维点云数据的对抗攻击显得很有意义。
近年来三维点云对抗攻击的研究可大体分为两类：基于优化的对抗扰动计算和基于迭代梯度的对抗扰动计算。Chong Xiang,Charles R Qi,and Bo Li.Generating 3dadversarial point利用优化算法计算出可以导致三维点云分类模型出错的最小扰动。该方法能够生成真实感较强的三维点云数据，但是该方法得到的三维点云数据容易被离群点移除法所防守。目前基于迭代梯度的对抗扰动计算方法的缺点为无法计算分类损失函数关于移除离群点后的三维点云的梯度，原因是移除离群点的操作是不可求导的，因此无法实现扰动攻击。近年来三维点云对抗防守的研究可大体分为两类：对抗点云的恢复、对抗点云的检测。Hang Zhou,Kejiang Chen,Weiming Zhang,Han Fang,Wenbo Zhou, and NenghaiYu.DUP-Net:Denoiser and Upsampler Network for 3D Adversarial Point CloudsDefense计算并移除三维点云数据中的离群点，移除后的三维点云可以再次被点云分类模型正确分类，从而实现对抗点云的恢复。对抗点云的检测则需要向输入点云数据施加多次高斯白噪声，得到多个点云数据样本，随后针对点云数据样本.本发明针对移除离群点的防守方法生成对抗样本，使得即使将对抗样本中的离群点移除后仍然能让分类器做出错误分类。
发明内容
为了解决现有技术中的上述问题，即现有的基于深度学习的图像分类模型采用常规的对抗样本进行训练，鲁棒性较差，无法满足对安全性要求极高的领域的精确分类需求的问题，本发明提供了针对离群点移除方法的对抗样本生成方法，所述方法包括：
步骤S100，获取带有类别标签的三维点云数据；
步骤S200，将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
步骤S300，选取分类正确的三维点云数据作为当前三维点云数据；
步骤S400，计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
步骤S500，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
步骤S600，将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行步骤S200-S500的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
进一步地，步骤S400包括：
步骤S410，计算所述当前三维点云数据中每个点与10个近邻点的欧氏距离，将每个点与10个近邻点的欧氏距离求平均值作为每个点的特征值；
步骤S420，基于所述当前三维点云数据中每个点的特征值，计算特征值均值和特征值标准差；
步骤S430，将所述特征值均值和特征值标准差做相加运算，获得离群判定阈值；
步骤S440，将特征值大于所述离群判定阈值的三维点判定为离群点，去除所述离群点获得去噪三维点云数据。
进一步地，步骤S500包括：
步骤S510，基于当前分类得分计算分类损失函数；
步骤S520，计算所述分类损失函数关于当前三维点云数据的梯度，生成当前损失梯度向量；计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量；
步骤S530，对所述去噪损失梯度向量进行上采样处理，获得与当前三维点云数据尺寸相同的上采样去噪损失梯度向量；
步骤S540，将所述当前损失梯度向量与所述上采样去噪损失梯度向量做相加运算，并逐点进行归一化，获得融合损失梯度向量；
步骤S550，将所述融合损失梯度向量与预设的缩放因子做相乘运算，获得融合扰动。
进一步地，所述上采样，其方法为：
基于所述去噪三维点云数据，在原离群点对应的坐标位置填充0 元素。
进一步地，所述计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量，其方法为：
其中，MT为线性近似矩阵，
为损失函数关于去噪三维点云数据的梯度，
y)为上采样去噪损失梯度向量，X*为三维点云数据，L表示分类损失函数，S表示去噪处理，y为三维点云数据的类别标签；
进一步地，所述融合损失梯度向量的每个点的位置上的向量二范数为1。
进一步地，所述缩放因子满足条件：添加生成的扰动后人眼无法察觉。
进一步地，所述分类损失函数为交叉熵函数。
本发明的另一方面，提出了针对离群点移除方法的对抗样本生成系统，所述系统包括训练数据获取模块、初分类模块、正确样本提取模块、离群点移除模块、扰动生成模块和样本更新模块；
所述训练数据获取模块，用于获取带有类别标签的三维点云数据；
所述初分类模块，用于将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
所述正确样本提取模块，选取分类正确的三维点云数据作为当前三维点云数据；
所述离群点移除模块，用于计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
所述扰动生成模块，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
所述样本更新模块，用于将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行初分类模块、正确样本提取模块、离群点移除模块和扰动生成模块的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的针对离群点移除方法的对抗样本生成方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的针对离群点移除方法的对抗样本生成方法。
本发明的有益效果：
(1)本发明针对离群点移除方法的对抗样本生成方法，通过将不可求导的离群点移除操作进行线性近似转变为可求导的问题，从而可以计算梯度进而将离群点移除的操作施加到扰动中，所生成的对抗样本用于对抗训练可导致分类模型出现分类错误，即使是移除了离群点的版本依然可以导致三维点云分类模型出现分类错误，使用本发明生成的对抗样本对分类模型进行训练可以极大提高分类模型的鲁棒性和分类精确度，满足对安全性较高的项目的精度要求。
(2)本发明针对离群点移除方法的对抗样本生成方法，通过将融合的损失梯度逐点进行归一化的方法进行处理并以此生成扰动生成的对抗样本并确保每个点位置上的向量二范数为1，相较于现有技术采用整体归一化的方法生成的样本，用于对抗训练可造成分类的错误，提高了分类模型的鲁棒性，提高了分类场景的多样性。
(3)本发明针对离群点移除方法的对抗样本生成方法，生成的对抗样本为攻破离群点移除方法提供了解决方案。
(4)本发明针对离群点移除方法的对抗样本生成方法，通过设定缩放因子确保生成的扰动人眼不可见，提高图像攻击的置信度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明针对离群点移除方法的对抗样本生成方法实施例的流程示意图；
图2是本发明针对离群点移除方法的对抗样本生成方法实施例的逐点进行归一化的效果示意图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种针对离群点移除方法的对抗样本生成方法，本方法包括：
步骤S100，获取带有类别标签的三维点云数据；
步骤S200，将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
步骤S300，选取分类正确的三维点云数据作为当前三维点云数据；
步骤S400，计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
步骤S500，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
步骤S600，将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行步骤S200-S500的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
为了更清晰地对本发明针对离群点移除方法的对抗样本生成方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的针对离群点移除方法的对抗样本生成方法，包括步骤S100-步骤S600，各步骤详细描述如下：
步骤S100，获取带有类别标签的三维点云数据；
在本实施例中，选取的三维点云数据来自ModelNet40数据集；
步骤S200，将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
步骤S300，选取分类正确的三维点云数据作为当前三维点云数据；
步骤S400，计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
在一些优选的实施方式中，步骤S400包括：
步骤S410，计算所述当前三维点云数据中每个点与10个近邻点的欧氏距离，将每个点与10个近邻点的欧氏距离求平均值作为每个点的特征值；
步骤S420，基于所述当前三维点云数据中每个点的特征值，计算特征值均值和特征值标准差；
步骤S430，将所述特征值均值和特征值标准差做相加运算，获得离群判定阈值；
步骤S440，将特征值大于所述离群判定阈值的三维点判定为离群点，去除所述离群点获得去噪三维点云数据。
所述移除离群点的方法可以通过公式(1)表示：
S(X)＝M·X
(1)
用矩阵表示如公式(2)所示：
步骤S500，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
在一些优选的实施方式中，步骤S500包括：
步骤S510，基于当前分类得分计算分类损失函数；
在一些优选的实施方式中，所述分类损失函数为交叉熵函数。
步骤S520，计算所述分类损失函数关于当前三维点云数据的梯度，生成当前损失梯度向量；计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量；
步骤S530，对所述去噪损失梯度向量进行上采样处理，获得与当前三维点云数据尺寸相同的上采样去噪损失梯度向量；
步骤S540，将所述当前损失梯度向量与所述上采样去噪损失梯度向量做相加运算，并逐点进行归一化，获得融合损失梯度向量；
在一些优选的实施方式中，上采样的方法包括基于所述去噪三维点云数据，在原离群点对应的坐标位置填充0元素。
所述融合损失梯度向量的每个点的位置上的向量二范数为1
在一些优选的实施方式中，所述计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量，其方法如公式(3)所示：
其中，MT为线性近似矩阵，
为损失函数关于去噪三维点云数据的梯度向量，
为上采样去噪损失梯度向量， X*为对抗三维点云，L表示分类损失函数，S表示去噪处理，y为三维点云数据的类别标签；
将公式(3)用矩阵表示如公式(4)所示：
其中，由0和1组成的线性近似矩阵MT，与上采样原理相同，假设三维点云数据X*中的第j个点和去噪三维点云数据S(X*)中的第i个点相互对应；M满足公式(5)：
步骤S550，将所述融合损失梯度向量与预设的缩放因子做相乘运算，获得融合扰动。
在一些优选的实施方式中，所述缩放因子满足条件：添加生成的扰动后人眼无法察觉。
步骤S600，将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行步骤S200-S500的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
本发明生成的对抗样本的效果如图2所示，图2左边为使用常规的整体归一化对抗样本的效果，可见在SOR去噪后，移除了离群点之后分类器即得出正确的分类结果，图2邮编为本发明生成的对抗样本，采用本发明的将融合的梯度向量逐点归一化生成的对抗样本在SOR过程中即使移除了距离较远的离群点仍然导致了分类器做出了错误分类，采用本发明的对抗样本进行对抗训练，可以提高训练出的分类模型的准确度和鲁棒性。
本发明第二实施例的针对离群点移除方法的对抗样本生成系统，所述系统包括：训练数据获取模块、初分类模块、正确样本提取模块、离群点移除模块、扰动生成模块和样本更新模块；
所述训练数据获取模块，用于获取带有类别标签的三维点云数据；
所述初分类模块，用于将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
所述正确样本提取模块，选取分类正确的三维点云数据作为当前三维点云数据；
所述离群点移除模块，用于计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
所述扰动生成模块，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
所述样本更新模块，用于将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行初分类模块、正确样本提取模块、离群点移除模块和扰动生成模块的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的针对离群点移除方法的对抗样本生成系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的针对离群点移除方法的对抗样本生成方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的针对离群点移除方法的对抗样本生成方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种针对离群点移除方法的对抗样本生成方法，其特征在于，所述方法包括：
步骤S100，获取带有类别标签的三维点云数据；
步骤S200，将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
步骤S300，选取分类正确的三维点云数据作为当前三维点云数据；
步骤S400，计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
步骤S500，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
步骤S600，将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行步骤S200-S500的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
2.根据权利要求1所述的针对离群点移除方法的对抗样本生成方法，其特征在于，步骤S400包括：
步骤S410，计算所述当前三维点云数据中每个点与10个近邻点的欧氏距离，将每个点与10个近邻点的欧氏距离求平均值作为每个点的特征值；
步骤S420，基于所述当前三维点云数据中每个点的特征值，计算特征值均值和特征值标准差；
步骤S430，将所述特征值均值和特征值标准差做相加运算，获得离群判定阈值；
步骤S440，将特征值大于所述离群判定阈值的三维点判定为离群点，去除所述离群点获得去噪三维点云数据。
3.根据权利要求2所述的针对离群点移除方法的对抗样本生成方法，其特征在于，步骤S500包括：
步骤S510，基于当前分类得分计算分类损失函数；
步骤S520，计算所述分类损失函数关于当前三维点云数据的梯度，生成当前损失梯度向量；计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量；
步骤S530，对所述去噪损失梯度向量进行上采样处理，获得与当前三维点云数据尺寸相同的上采样去噪损失梯度向量；
步骤S540，将所述当前损失梯度向量与所述上采样去噪损失梯度向量做相加运算，并逐点进行归一化，获得融合损失梯度向量；
步骤S550，将所述融合损失梯度向量与预设的缩放因子做相乘运算，获得融合扰动。
4.根据权利要求3所述的针对离群点移除方法的对抗样本生成方法，其特征在于，所述上采样，其方法为：
基于所述去噪三维点云数据，在原离群点对应的坐标位置填充0元素。
5.根据权利要求3所述的针对离群点移除方法的对抗样本生成方法，其特征在于，所述计算所述分类损失函数关于去噪三维点云数据的梯度，生成去噪损失梯度向量，其方法为：
其中，MT为线性近似矩阵，
为损失函数关于去噪三维点云数据的梯度，
为上采样去噪损失梯度向量，X*为三维点云数据，L表示分类损失函数，S表示去噪处理，y为三维点云数据的类别标签。
6.根据权利要求5所述的针对离群点移除方法的对抗样本生成方法，其特征在于，所述融合损失梯度向量的每个点的位置上的向量二范数为1。
7.根据权利要求3所述的针对离群点移除方法的对抗样本生成方法，其特征在于，所述缩放因子满足条件：添加生成的扰动后人眼无法察觉。
8.根据权利要求3所述的针对离群点移除方法的对抗样本生成方法，其特征在于，所述分类损失函数为交叉熵函数。
9.一种针对离群点移除方法的对抗样本生成系统，其特征在于，所述系统包括：训练数据获取模块、初分类模块、正确样本提取模块、离群点移除模块、扰动生成模块和样本更新模块；
所述训练数据获取模块，用于获取带有类别标签的三维点云数据；
所述初分类模块，用于将所述三维点云数据输入三维点云分类模型获得三维点云数据的分类得分；
所述正确样本提取模块，选取分类正确的三维点云数据作为当前三维点云数据；
所述离群点移除模块，用于计算所述当前三维点云数据中每个点与近邻点的欧氏距离选出离群点，移除所述离群点获得去噪三维点云数据；
所述扰动生成模块，基于当前三维点云数据的分类得分计算分类损失函数，计算所述分类损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量，基于所述损失函数关于当前三维点云数据的梯度向量和关于去噪三维点云数据的梯度向量生成融合扰动；
所述样本更新模块，用于将所述融合扰动施加到当前三维点云数据中，更新三维点云数据，并将更新后的三维点云数据重复进行初分类模块、正确样本提取模块、离群点移除模块和扰动生成模块的操作直至达到预设的迭代次数，获得针对离群点移除方法的对抗样本。
10.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的针对离群点移除方法的对抗样本生成方法。
11.一种处理装置，包括处理器，适于执行各条程序；以及存储装置，适于存储多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的针对离群点移除方法的对抗样本生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835090.1A CN111914946B (zh) | 2020-08-19 | 2020-08-19 | 针对离群点移除方法的对抗样本生成方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835090.1A CN111914946B (zh) | 2020-08-19 | 2020-08-19 | 针对离群点移除方法的对抗样本生成方法、系统和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914946A CN111914946A (zh) | 2020-11-10 |
| CN111914946B true CN111914946B (zh) | 2021-07-06 |
Family
ID=73279385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010835090.1A Active CN111914946B (zh) | 2020-08-19 | 2020-08-19 | 针对离群点移除方法的对抗样本生成方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914946B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365582B (zh) * | 2020-11-17 | 2022-08-16 | 电子科技大学 | 一种对抗点云生成方法、存储介质和终端 |
| CN112819960B (zh) * | 2021-02-01 | 2022-06-24 | 电子科技大学 | 一种对抗性点云生成方法、存储介质和终端 |
| CN112927211B (zh) * | 2021-03-09 | 2023-08-25 | 电子科技大学 | 一种基于深度三维检测器的通用对抗攻击方法、存储介质和终端 |
| CN112966390B (zh) * | 2021-03-24 | 2022-10-28 | 清华大学 | 基于双重三维距离场的衣服处理方法以及装置 |
| CN112926802B (zh) * | 2021-04-01 | 2023-05-23 | 重庆邮电大学 | 时序数据对抗样本生成方法、系统、电子设备及存储介质 |
| CN113610904B (zh) * | 2021-07-19 | 2023-10-20 | 广州大学 | 3d局部点云对抗样本生成方法、系统、计算机及介质 |
| CN113642711B (zh) * | 2021-08-16 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种网络模型的处理方法、装置、设备和存储介质 |
| CN113808165B (zh) * | 2021-09-14 | 2023-06-13 | 电子科技大学 | 面向三维目标跟踪模型的点扰动对抗攻击方法 |
| CN114387647B (zh) * | 2021-12-29 | 2023-04-28 | 北京瑞莱智慧科技有限公司 | 对抗扰动生成方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016023075A1 (en) * | 2014-08-13 | 2016-02-18 | Meat & Livestock Australia Limited | 3d imaging |
| CN110322003A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于梯度的通过添加虚假节点的图对抗样本生成方法 |
| CN110991027A (zh) * | 2019-11-27 | 2020-04-10 | 华南理工大学 | 一种基于虚拟场景训练的机器人模仿学习方法 |
| CN111080671A (zh) * | 2019-12-27 | 2020-04-28 | 深圳大学 | 一种基于深度神经网络的运动预测方法和智能终端 |
| CN111538991A (zh) * | 2020-07-09 | 2020-08-14 | 鹏城实验室 | 对抗样本检测方法、装置及计算机可读存储介质 |
-
2020
- 2020-08-19 CN CN202010835090.1A patent/CN111914946B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016023075A1 (en) * | 2014-08-13 | 2016-02-18 | Meat & Livestock Australia Limited | 3d imaging |
| CN110322003A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于梯度的通过添加虚假节点的图对抗样本生成方法 |
| CN110991027A (zh) * | 2019-11-27 | 2020-04-10 | 华南理工大学 | 一种基于虚拟场景训练的机器人模仿学习方法 |
| CN111080671A (zh) * | 2019-12-27 | 2020-04-28 | 深圳大学 | 一种基于深度神经网络的运动预测方法和智能终端 |
| CN111538991A (zh) * | 2020-07-09 | 2020-08-14 | 鹏城实验室 | 对抗样本检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 三维点云重建中的去噪算法研究;刘静静;《中国优秀硕士学位论文全文数据库信息科技辑》;20200115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914946A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914946B (zh) | 针对离群点移除方法的对抗样本生成方法、系统和装置 | |
| CN111738374B (zh) | 多样本对抗扰动生成方法、装置、存储介质和计算设备 | |
| CN111402336B (zh) | 基于语义slam的动态环境相机位姿估计及语义地图构建方法 | |
| CN108399386B (zh) | 饼图中的信息提取方法及装置 | |
| CN111738373B (zh) | 多样本对抗扰动生成方法、装置、存储介质和计算设备 | |
| EP2579210A1 (en) | Face feature-point position correction device, face feature-point position correction method, and face feature-point position correction program | |
| CN111814916B (zh) | 多样本对抗扰动生成方法、装置、存储介质和计算设备 | |
| CN110705652B (zh) | 对抗样本及其生成方法、介质、装置和计算设备 | |
| CN111738045B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
| US10657625B2 (en) | Image processing device, an image processing method, and computer-readable recording medium | |
| CN108447094B (zh) | 一种单目彩色相机的姿态估算方法及系统 | |
| CN112200380B (zh) | 优化风险检测模型的方法及装置 | |
| CN112927211B (zh) | 一种基于深度三维检测器的通用对抗攻击方法、存储介质和终端 | |
| CN112651944A (zh) | 基于cad模型的3c部件高精度六维位姿估计方法及系统 | |
| US10657672B2 (en) | Image processing device, image processing method and storage medium | |
| CN112966685A (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
| GB2467852A (en) | Automated interpretation of a seismic structure | |
| JP2019016066A (ja) | 地物形状抽出装置、地物形状抽出方法、及びプログラム | |
| CN111993429A (zh) | 一种基于仿射群的改进高斯重采样粒子滤波目标跟踪方法 | |
| CN114119970B (zh) | 目标跟踪方法及装置 | |
| CN112329929B (zh) | 基于代理模型的对抗样本生成方法和装置 | |
| CN112990368B (zh) | 一种多边形结构引导的高光谱图像单样本识别方法及系统 | |
| CN115630303A (zh) | 一种基于类激活映射的对抗样本可视化解释方法 | |
| CN110516641B (zh) | 一种环境地图的构建方法及相关装置 | |
| CN111125414B (zh) | 一种无人机遥感图像特定目标自动搜索方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |