CN112365582B - 一种对抗点云生成方法、存储介质和终端 - Google Patents

一种对抗点云生成方法、存储介质和终端 Download PDF

Info

Publication number
CN112365582B
CN112365582B CN202011285190.8A CN202011285190A CN112365582B CN 112365582 B CN112365582 B CN 112365582B CN 202011285190 A CN202011285190 A CN 202011285190A CN 112365582 B CN112365582 B CN 112365582B
Authority
CN
China
Prior art keywords
point cloud
generating
countermeasure
point
discarding
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
Application number
CN202011285190.8A
Other languages
English (en)
Other versions
CN112365582A (zh
Inventor
廖勇
王正奕
蔡木目心
成日冉
桑楠
王旭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011285190.8A priority Critical patent/CN112365582B/zh
Publication of CN112365582A publication Critical patent/CN112365582A/zh
Application granted granted Critical
Publication of CN112365582B publication Critical patent/CN112365582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种对抗点云生成方法、存储介质和终端，方法包括：利用编码器提取原始点云的局部特征；利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；其中，通过局部特征学习每个点被丢弃的概率包括：利用Hard Concrete分布描述丢弃点的操作，生成丢弃标志来选择点进行丢弃操作。本发明方法生成的对抗点云能够最大程度地保留原始点云所包含的信息，且由于采用丢弃点的方法生成对抗样本，一些防御手段对该对抗样本便无法发挥防御作用；从可视化的角度而言，相较于过去的对抗样本生成策略，本发明通过丢弃点形成空洞从而生成对抗样本，直观上更符合实际场景中采集三维点云数据时出现空洞的情况，更加不易被察觉。

Description

一种对抗点云生成方法、存储介质和终端
技术领域
本发明涉及点云数据处理领域，尤其涉及一种对抗点云生成方法、存储介质和终端。
背景技术
由于3D传感器被广泛地使用、计算机性能的提升和广泛的应用场景，近年来深度学习在点云上的关注度越来越高，由于大多数深度3D模型都在一些对安全性要求较高的场景下，比如机器人、自动驾驶，它们对可靠性的要求都很高。目前3D模型的可靠性相对于2D模型来说还十分低，已有的工作也表明了这些深度模型对于对抗攻击是十分脆弱的。对抗攻击一般用于测试深度模型的鲁棒性，但是由于点云数据的非结构性、3D搜索空间较大和对人眼感知要求较高，对抗点云的生成是具有一定困难的。
过去通过对点在特定的约束(如：L2范数)下进行局部扰动来生成对抗点云，相较于原始点云，这种对抗点云存在较多的外围噪声点。另一方面，通过丢弃点来生成对抗点云的方法也被提出。其中一种方法是通过计算每个点对分类损失的贡献得到对应的显著性值，得到关键点集，再从关键点集中选择点进行丢弃来实现对抗点云的生成。这种方法生成的对抗点云与原始点云相比存在一些空洞，但是由于空洞的产生在3D数据的采集过程中是十分常的，人眼也因此较难感知到。然而前面提到的这些方法都较为耗时且没有样本生成能力，这就限制了上述方法的应用场景。
发明内容
本发明的目的在于克服现有技术的不足，提供一种对抗点云生成方法、存储介质和终端。
本发明的目的是通过以下技术方案来实现的：
本发明的第一方面，提供一种对抗点云生成方法，包括以下步骤：
利用编码器提取原始点云的局部特征；
利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；
其中，所述通过局部特征学习每个点被丢弃的概率包括：利用Hard Concrete分布描述丢弃点的操作，生成丢弃标志来选择点进行丢弃操作。
进一步地，所述编码器提取原始点云的局部特征包括：
利用下采样器对于原始点云进行下采样，生成至少一个子集，所述子集包括一定比例的原始点云点；
利用分组提取抽象特征模块分别提取原始点云和子集的特征；
利用插值模块使原始点云的特征和子集的特征具有相同大小。
进一步地，所述利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云，包括：
利用聚合模块将插值后的原始点云的特征和子集的特征进行聚合；
利用全连接模块对聚合后的特征进行全连接，并得到位置参数；
通过所述位置参数和温度参数，利用Hard Concrete分布描述丢弃点的操作；
生成丢弃标志来选择点进行丢弃操作，生成对抗点云。
进一步地，所述方法还包括：
利用损失函数对编码器和解码器进行更新；
其中，所述损失函数包括正则化损失
Figure BDA0002782100710000021
所述正则化损失
Figure BDA0002782100710000022
为Hard Concrete分布在0点的累计概率密度值。
进一步地，所述Hard Concrete分布包括：
将s记作一个服从二项Concrete分布Φ的随机变量，这个二项Concrete分布属于(0，1)区间内，其概率密度表示为qs(s|φ)，累积概率密度表示为Qs(s|φ)，通过位置参数log α和温度参数β对它进行描述；
给定一个均匀分布u～U(0，1)，这个二项Concrete分布能够从中变形得到：
s＝Sigmoid((log u-log(1-u)+logα)/β)
服从Hard Concrete分布的随机变量
Figure BDA0002782100710000023
能够通过将二项Concrete分布拉伸到区间(γ，ζ)，在使用Hard Sigmoid函数进行截断，其中需要满足γ＜0且ζ＞1：
Figure BDA0002782100710000024
Figure BDA0002782100710000025
随机变量不等于0的概率表示为：
Figure BDA0002782100710000026
进一步地，所述损失函数还包括分类损失
Figure BDA0002782100710000027
和所述判别损失
Figure BDA0002782100710000028
所述分类损失
Figure BDA0002782100710000029
使用C&W分类损失，使用Chamfer距离作为判别损失
Figure BDA00027821007100000210
对两个点云之间的距离进行约束；损失函数
Figure BDA00027821007100000211
具体为：
Figure BDA00027821007100000212
式中，α和β能够平衡损失函数中的各项损失。
进一步地，所述分类损失
Figure BDA0002782100710000031
具体为：
Figure BDA0002782100710000032
式中，t是原始点云的标签，Z(·)表示网络最后logits层的输出，Z(S′)i表示样本在类别i的概率，参数k用于控制攻击的置信度；
所述正则化损失
Figure BDA0002782100710000033
具体为Hard Concrete分布随机变量不等于0的概率。
进一步地，所述插值模块的插值方式为：
Figure BDA0002782100710000034
式中，wj(x)表示权重参数，通过wj(x)＝1/d(x，xj)计算，d(x，xj)表示点x和xj之间的l2距离；Fi分别表示子集的特征，a表示子集数量。
本发明的第二方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的一种对抗点云生成方法的步骤。
本发明的第三方面，提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的一种对抗点云生成方法的步骤。
本发明的有益效果是：
(1)在本发明的一示例性实施例中，利用编码器提取原始点云的局部特征，利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；其中，解码器中利用HardConcrete分布描述丢弃点的操作，生成丢弃标志来选择点进行丢弃操作。优点在于使用本发明方法生成的对抗点云能够最大程度地保留原始点云所包含的信息，且由于采用丢弃点的方法生成对抗样本，一些防御手段(如基于KNN的外围点去除)对该对抗样本便无法发挥防御作用。从可视化的角度而言，相较于过去的对抗样本生成策略，本发明方法通过丢弃点形成空洞从而生成对抗样本，直观上更符合实际场景中采集三维点云数据时出现空洞的情况，更加不易被察觉。
(2)在本发明的又一示例性实施例中，解决现有技术中的在损失函数中，考虑到L0范数正则化是不可微的，无法直接应用于损失函数，使用Hard Concrete分布来拟合伯努里分布。
附图说明
图1为本发明一示例性实施例公开的方法所基于的PD-Net的网络结构图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在下述示例性实施例中，在丢弃点的基础上，提出了一种新的生成对抗点云的方法，叫做Point Dropping Network(PD-Net)。由于它提供了一种生成网络的机制，可以只通过一次前向传播就生成对抗点云，所以具有较高的灵活性。网络在非监督的情况下，通过在L0范数的约束下，学习点云的局部几何信息，实现丢弃点的选择。考虑到L0范数正则化是不可微的，无法直接应用于损失函数，所以使用Hard Concrete分布来拟合伯努里分布，用于估计点被丢弃的概率，从而使网络可以正常的学习。
具体地，在下述示例性实施例中，原始点云为
Figure BDA0002782100710000041
标签为t，
Figure BDA0002782100710000042
N表示点云S中点的数量。将3D分类模型记作
Figure BDA0002782100710000043
表示一种从输入点云
Figure BDA0002782100710000044
到其标签t∈y的映射。无目标攻击的目的就是从原始点云S生成一个对抗点云S′，能够使深度模型分类错误，满足表达式
Figure BDA0002782100710000045
且t′≠to。而本示例性实施例使用的攻击方法是丢点的策略，所以对抗点云可以表示为
Figure BDA0002782100710000046
其中zi∈{0，1}。图1示出了下述示例性实施例中所述方法所基于的PD-Net的网络结构，也对应于下述示例性实施例中方法的流程，通过在原始点云上进行丢点操作来生成对抗点云。
参见图1，图1示出了本发明的一示例性实施例中提供的一种对抗点云生成方法，包括以下步骤：
利用编码器提取原始点云的局部特征；
利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；
其中，所述通过局部特征学习每个点被丢弃的概率包括：利用Hard Concrete分布描述丢弃点的操作，生成丢弃标志来选择点进行丢弃操作。
具体地，在该示例性实施例中，如图1所示，解码器中的Hard Concrete分布将丢弃标志变成0或者1的数字，丢弃标志的每一位对应于原始点云的对应位置，0为丢弃而1为保留，采用该方式即得到了对抗点云。
更优地，在一示例性实施例中，如图1所示，所述编码器提取原始点云的局部特征包括：
利用下采样器对于原始点云进行下采样，生成至少一个子集，所述子集包括一定比例的原始点云点；
利用分组提取抽象特征模块分别提取原始点云和子集的特征；
利用插值模块使原始点云的特征和子集的特征具有相同大小。
在该示例性实施例中，编码器采用的是PointNet++的结构，用于提取点云的局部特征。PointNet++是一种通过分层结构，对局部几何形系进行编码的编码器。
具体地，包含了N个点的原始点云S，首先使用最远点采样的方式进行采样，在该示例性实施例中生成三个子集S1、S2、S3，它们分别包含N/2、N/4、N/8个点；之后分组提取抽象特征模块(Set Abstraction)会将邻近范围内的点进行分组，然后分别在不同的层次F1、F2、F3，采用PointNet的结构进行特征提取；最后，考虑到不同的邻近范围内的点的数量不同，点的特征和数量会通过插值的方法上采样，其中在一优选示例性实施例中，插值的方式为：
Figure BDA0002782100710000051
式中，wj(x)表示权重参数，通过wj(x)＝1/d(x，xj)计算，d(x，xj)表示点x和xj之间的l2距离；Fi分别表示子集的特征。
更优地，在一示例性实施例中，如图1所示，所述利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云，包括：
利用聚合模块将插值后的原始点云的特征和子集的特征进行聚合；
利用全连接模块对聚合后的特征进行全连接，并得到位置参数；
通过所述位置参数和温度参数，利用Hard Concrete分布描述丢弃点的操作；
生成丢弃标志来选择点进行丢弃操作，生成对抗点云。
在该示例性实施例中，首先将不同层次的特征会被聚合在一起用于描述每个点，表示为F＝[F1，F2，F3]；之后利用全连接层得到对聚合后的特征进行全连接，并得到位置参数。
再之后，点的丢弃操作能用伯努里分布来描述。但是由于伯努里分布具有不可微的特点，所以在该示例性实施例中，使用Hard Concrete分布来拟合伯努里分布。最后通过Hard Concrete分布生成丢弃标志来选择点进行丢弃操作，生成对抗点云。
优先地，在一示例性实施例中，所述Hard Concrete分布包括：
将s记作一个服从二项Concrete分布Φ的随机变量，这个二项Concrete分布属于(0，1)区间内，其概率密度表示为qs(s|φ)，累积概率密度表示为Qs(s|φ)，通过位置参数logα和温度参数β对它进行描述；其中位置参数logα由全连接层得到，而温度参数β为已知参数。
给定一个均匀分布u～U(0，1)，这个二项Concrete分布能够从中变形得到：
s＝Sigmoid((log u-log(1-u)+logα)/β)
服从Hard Concrete分布的随机变量
Figure BDA0002782100710000061
能够通过将二项Concrete分布拉伸到区间(γ，ζ)，在使用Hard Sigmoid函数进行截断，其中需要满足γ＜0且ζ＞1：
Figure BDA0002782100710000062
Figure BDA0002782100710000063
随机变量不等于0的概率表示为：
Figure BDA0002782100710000064
更优地，所述方法还包括：
利用损失函数对编码器和解码器进行更新；
其中，所述损失函数包括正则化损失
Figure BDA0002782100710000065
所述正则化损失
Figure BDA0002782100710000066
为Hard Concrete分布在0点的累计概率密度值。
具体地，在给定一个有N个点的良性点云S，在本示例性实施例中提出的PD-Net通过丢弃尽量少的点生成对抗样本，因此网络的损失函数定义包括了若干项。
其中一项为正则化损失
Figure BDA0002782100710000067
正则化损失
Figure BDA0002782100710000068
用于约束生成对抗点云时丢弃的点的数量，考虑到L0范数正则化是不可微的，无法直接应用于损失函数，所以在该示例性实施例中使用Hard Concrete分布来拟合伯努里分布，正则化损失
Figure BDA0002782100710000071
也就被定义为Hard Concrete分布在0点的累计概率密度值(Hard Concrete分布随机变量不等于0的概率)：
Figure BDA0002782100710000072
而在又一示例性实施例中，网络的损失函数定义包括了三项，除开上述的正则化损失
Figure BDA0002782100710000073
还包括还包括分类损失
Figure BDA0002782100710000074
和所述判别损失
Figure BDA0002782100710000075
具体地：
所述分类损失
Figure BDA0002782100710000076
能够使受害模型倾向于做出错误的预测，使用C&W分类损失：
Figure BDA0002782100710000077
式中，t是原始点云的标签，Z(·)表示网络最后logits层的输出，Z(S′)i表示样本在类别i的概率，参数k用于控制攻击的置信度。
为了增加对抗点云与原始点云之间视觉上的相似性，使用Chamfer距离Dc(S，S′)作为判别损失
Figure BDA0002782100710000078
对两个点云之间的距离进行约束：
Figure BDA0002782100710000079
式中，x表示对抗点云的点，y表示原始点云的点。
因此，损失函数
Figure BDA00027821007100000710
具体为：
Figure BDA00027821007100000711
式中，α和β能够平衡损失函数中的各项损失。更优地，在一示例性实施例中，α和β分别设置为0.05和0.6，作为常数在损失函数中存在。
本发明的第二方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的一种对抗点云生成方法的步骤。
本发明的第三方面，提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的一种对抗点云生成方法的步骤。
基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得装置执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种对抗点云生成方法，其特征在于：包括以下步骤：
利用编码器提取原始点云的局部特征；
利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；
其中，所述通过局部特征学习每个点被丢弃的概率包括：利用Hard Concrete分布描述丢弃点的操作，生成丢弃标志来选择点进行丢弃操作；
所述编码器提取原始点云的局部特征包括：
利用下采样器对于原始点云进行下采样，生成至少一个子集，所述子集包括一定比例的原始点云点；
利用分组提取抽象特征模块分别提取原始点云和子集的特征；
利用插值模块使原始点云的特征和子集的特征具有相同大小。
2.根据权利要求1所述的一种对抗点云生成方法，其特征在于：所述利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云，包括：
利用聚合模块将插值后的原始点云的特征和子集的特征进行聚合；
利用全连接模块对聚合后的特征进行全连接，并得到位置参数；
通过所述位置参数和温度参数，利用Hard Concrete分布描述丢弃点的操作；
生成丢弃标志来选择点进行丢弃操作，生成对抗点云。
3.根据权利要求1所述的一种对抗点云生成方法，其特征在于：所述方法还包括：
利用损失函数对编码器和解码器进行更新；
其中，所述损失函数包括正则化损失
Figure FDA0003732847350000011
所述正则化损失
Figure FDA0003732847350000012
为Hard Concrete分布在0点的累计概率密度值。
4.根据权利要求1或2或3所述的一种对抗点云生成方法，其特征在于：所述HardConcrete分布包括：
将s记作一个服从二项Concrete分布Φ的随机变量，这个二项Concrete分布属于(0，1)区间内，其概率密度表示为qs(s|φ)，累积概率密度表示为Qs(s|φ)，通过位置参数log α和温度参数β对它进行描述；
给定一个均匀分布u～U(0，1)，这个二项Concrete分布能够从中变形得到：
s＝Sigmoid((log u-log(1-u)+log α)/β)
服从Hard Concrete分布的随机变量
Figure FDA0003732847350000013
能够通过将二项Concrete分布拉伸到区间(γ，ζ)，在使用Hard Sigmoid函数进行截断，其中需要满足γ＜0且ζ＞1：
Figure FDA0003732847350000021
Figure FDA0003732847350000022
随机变量不等于0的概率表示为：
Figure FDA0003732847350000023
5.根据权利要求3所述的一种对抗点云生成方法，其特征在于：所述损失函数还包括分类损失
Figure FDA0003732847350000024
和判别损失
Figure FDA0003732847350000025
所述分类损失
Figure FDA0003732847350000026
使用C&W分类损失，使用Chamfer距离作为判别损失
Figure FDA0003732847350000027
对两个点云之间的距离进行约束；损失函数
Figure FDA0003732847350000028
具体为：
Figure FDA0003732847350000029
式中，α和β能够平衡损失函数中的各项损失。
6.根据权利要求5所述的一种对抗点云生成方法，其特征在于：所述分类损失
Figure FDA00037328473500000210
具体为：
Figure FDA00037328473500000211
式中，t是原始点云的标签，Z(·)表示网络最后logits层的输出，Z(S′)i表示样本在类别i的概率，参数k用于控制攻击的置信度；
所述正则化损失
Figure FDA00037328473500000212
具体为Hard Concrete分布随机变量不等于0的概率。
7.根据权利要求1所述的一种对抗点云生成方法，其特征在于：所述插值模块的插值方式为：
Figure FDA00037328473500000213
式中，wj(x)表示权重参数，通过wj(x)＝1/d(x，xj)计算，d(x，xj)表示点x和xj之间的l2距离；Fi分别表示子集的特征，a表示子集数量。
8.一种存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求1～7中任意一项所述的一种对抗点云生成方法的步骤。
9.一种终端，包括存储器和处理器，所述存储器上存储有在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1～7任意一项所述的一种对抗点云生成方法的步骤。
CN202011285190.8A 2020-11-17 2020-11-17 一种对抗点云生成方法、存储介质和终端 Active CN112365582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011285190.8A CN112365582B (zh) 2020-11-17 2020-11-17 一种对抗点云生成方法、存储介质和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011285190.8A CN112365582B (zh) 2020-11-17 2020-11-17 一种对抗点云生成方法、存储介质和终端

Publications (2)

Publication Number Publication Date
CN112365582A CN112365582A (zh) 2021-02-12
CN112365582B true CN112365582B (zh) 2022-08-16

Family

ID=74515059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011285190.8A Active CN112365582B (zh) 2020-11-17 2020-11-17 一种对抗点云生成方法、存储介质和终端

Country Status (1)

Country Link
CN (1) CN112365582B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884802B (zh) * 2021-02-24 2023-05-12 电子科技大学 一种基于生成的对抗攻击方法
JP7094411B1 (ja) 2021-03-17 2022-07-01 三菱電機株式会社 センサデータ処理システム
CN115100503B (zh) * 2022-07-29 2024-05-07 电子科技大学 一种基于曲率距离与硬具体分布的对抗点云生成方法、系统、存储介质及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10289938B1 (en) * 2017-05-16 2019-05-14 State Farm Mutual Automobile Insurance Company Systems and methods regarding image distification and prediction models
CN110969637A (zh) * 2019-12-02 2020-04-07 深圳市唯特视科技有限公司 一种基于生成对抗网络的多威胁目标重建及态势感知方法
CN111062340A (zh) * 2019-12-20 2020-04-24 湖南师范大学 一种基于虚拟姿态样本合成的异常步态行为识别方法
CN111368733A (zh) * 2020-03-04 2020-07-03 电子科技大学 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端
CN111582105A (zh) * 2020-04-28 2020-08-25 清华大学 基于局部全局双向推理的无监督点云特征学习方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129211B2 (en) * 2012-03-15 2015-09-08 GM Global Technology Operations LLC Bayesian network to track objects using scan points using multiple LiDAR sensors
KR20180053494A (ko) * 2016-11-11 2018-05-23 한국전자통신연구원 모바일 환경에서의 증강현실 게임공간 구축방법
US10565457B2 (en) * 2017-08-23 2020-02-18 Tusimple, Inc. Feature matching and correspondence refinement and 3D submap position refinement system and method for centimeter precision localization using camera-based submap and LiDAR-based global map
CN107862293B (zh) * 2017-09-14 2021-05-04 北京航空航天大学 基于对抗生成网络的雷达生成彩色语义图像系统及方法
CN110379020B (zh) * 2018-07-04 2023-05-30 北京京东尚科信息技术有限公司 一种基于生成对抗网络的激光点云上色方法和装置
CN111323027A (zh) * 2018-12-17 2020-06-23 兰州大学 一种基于激光雷达与环视相机融合制作高精度地图方法及装置
CN109816664B (zh) * 2018-12-25 2023-05-09 西安中科天塔科技股份有限公司 一种三维点云分割方法及装置
CN110335337B (zh) * 2019-04-28 2021-11-05 厦门大学 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN111160233B (zh) * 2019-12-27 2023-04-18 中国科学院苏州纳米技术与纳米仿生研究所 基于三维成像辅助的人脸活体检测方法、介质及系统
CN111462137B (zh) * 2020-04-02 2023-08-08 中科人工智能创新技术研究院(青岛)有限公司 一种基于知识蒸馏和语义融合的点云场景分割方法
CN111914946B (zh) * 2020-08-19 2021-07-06 中国科学院自动化研究所 针对离群点移除方法的对抗样本生成方法、系统和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10289938B1 (en) * 2017-05-16 2019-05-14 State Farm Mutual Automobile Insurance Company Systems and methods regarding image distification and prediction models
CN110969637A (zh) * 2019-12-02 2020-04-07 深圳市唯特视科技有限公司 一种基于生成对抗网络的多威胁目标重建及态势感知方法
CN111062340A (zh) * 2019-12-20 2020-04-24 湖南师范大学 一种基于虚拟姿态样本合成的异常步态行为识别方法
CN111368733A (zh) * 2020-03-04 2020-07-03 电子科技大学 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端
CN111582105A (zh) * 2020-04-28 2020-08-25 清华大学 基于局部全局双向推理的无监督点云特征学习方法及装置

Also Published As

Publication number Publication date
CN112365582A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112365582B (zh) 一种对抗点云生成方法、存储介质和终端
Manjunatha et al. Explicit bias discovery in visual question answering models
CN108140032B (zh) 用于自动视频概括的设备和方法
JP7414901B2 (ja) 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN111242841B (zh) 一种基于语义分割和深度学习的图片背景风格迁移方法
Fabius et al. Variational recurrent auto-encoders
CN111753881B (zh) 一种基于概念敏感性量化识别对抗攻击的防御方法
KR101624808B1 (ko) 파라미터화된 3d 얼굴 생성
CN113272827A (zh) 卷积神经网络中分类决策的验证
CN112949647B (zh) 三维场景描述方法、装置、电子设备和存储介质
KR20110053166A (ko) 3ｄ 오브젝트 렌더딩 방법 및 장치
US11823490B2 (en) Non-linear latent to latent model for multi-attribute face editing
CN112861671B (zh) 一种对深度伪造人脸图像和视频的鉴别方法
KR20190108378A (ko) 이미지 캡션 자동 생성 방법 및 시스템
CN110555896A (zh) 一种图像生成方法、装置以及存储介质
CN112884802B (zh) 一种基于生成的对抗攻击方法
CN111589157B (zh) Ai模型使用方法、设备及存储介质
CN114842343A (zh) 一种基于ViT的航空图像识别方法
JP2023506169A (ja) 視覚入力に対する形式的安全シンボリック強化学習
Zhang et al. Multiresolution attention extractor for small object detection
CN113254927A (zh) 一种基于网络防御的模型处理方法、装置及存储介质
CN116188956A (zh) 一种深度伪造人脸图像检测的方法及相关设备
CN118041689A (zh) 一种网络恶意流量检测方法
CN115457374B (zh) 基于推理模式评估深伪图像检测模型泛化性方法及装置
Goldfarb Understanding deep neural networks using topological data analysis

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