CN115100503B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115100503B CN115100503B CN202210908876.0A CN202210908876A CN115100503B CN 115100503 B CN115100503 B CN 115100503B CN 202210908876 A CN202210908876 A CN 202210908876A CN 115100503 B CN115100503 B CN 115100503B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- disturbance
- generating
- countermeasure
- 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 39
- 238000009826 distribution Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,属于可信人工智能领域,方法包括:使用神经网络提取所述点云的特征;根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成。本发明通过神经网络生成点云,节省时间,通过选择攻击点,节约计算资源,提升生成对抗点云的效率,同时,利用曲率约束整个生成过程,提升生成对抗点云的不可感知性。
Description
技术领域
本发明涉及可信人工智能领域,尤其涉及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。
背景技术
随着经济生产力发展,生活水平日益提高,基于点云的深度学习技术逐渐走近大众生活;基于虚拟现实的游戏、工作、乃至元宇宙等。自动驾驶也加入基于点云的深度学习作为辅助工具。但是,由于对点云的大规模应用,点云的深度学习的安全性问题也越发暴露。点云的深度学习容易受到来自外界的攻击(生成对抗攻击)。在系统的数据接收部分若接收到生成对抗攻击所生成的生成对抗点云,点云的深度学习将会完全失去效果甚至起到反效果。
以无人驾驶汽车为例,无人汽车的自动驾驶技术主要分为三大部分:感知、决策和控制。感知模块为其决策和控制提供了重要依据。然而,由于现有传感器的感知能力有限,极易被外界客观物理因素影响,从而导致无人驾驶汽车的感知系统被误导,进而作出错误的判断。当前主流无人车主要的感知模块就是激光雷达,因此对于激光雷达的感知攻防是十分有意义的。
目前主流对于激光雷达的攻击都是以非接触的方式通过外部非法物理信号(称为虚假信息)对激光雷达进行干扰和破坏,致使测量结果失真的攻击方式。例如可以通过发射相同频率的激光干扰激光雷达,以及制造虚假信号欺骗激光雷达。这些近距离攻击手段廉价、高效且隐蔽,失真的信号可以轻易导致错误的驾驶策略从而导致车祸的发生。因此有针对的在激光雷达数据上进行对抗样本生成并且分析可以为及时发现近距离攻击行为,并对受影响的数据进行最大程度地恢复,让无人车对周边环境能正确感知奠定基础。
因此,关于点云的攻防研究显得尤为重要,生成对抗攻击的存在是为了保护点云不受攻击,或者进一步地优化点云的深度学习使其能够在面对生成对抗攻击时依旧有效,防止人员的财产损失,也保护人员的人身安全。其中,研究对抗点云样本的生成能够对点云的的防御能力进行训练,为了使得智能系统能够在复杂的干扰环境中正常运行,就需要隐蔽性高、攻击力强的对抗点云样本,然而现有的对抗点云生成方法效率较低,生成的对抗点云容易被察觉且攻击力弱,对于提升系统的防御能力有限。
发明内容
本发明的目的在于克服现有技术中对抗点云生成方法存在的问题,提供了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。
本发明的目的是通过以下技术方案来实现的:
主要提供一种基于曲率距离与硬具体分布的对抗点云生成方法,所述方法包括以下步骤:
S1、获取点云;
S2、使用神经网络提取所述点云的特征;
S3、根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;
S4、将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成。
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述步骤S2包括:
S21、随机采样点云至1024个点的点云p;
S22、通过1乘1卷积计算所述点云p,得到经过卷积迭代后的特征t,所述特征t计算公式为:t=1*1conv(p);
S23、对迭代后的特征t进行最远距离采样,并采样至迭代后的特征t的二分之一数量,得到采样后的特征t’,所述采样后的特征t’=FPS(t),FPS表示最远距离采样;
S24、以采样后的特征t’为中心,相对于所述迭代后的特征t,使用最近邻采样聚类处理采样后的特征t’,得到聚类后的采样特征jt;
S25、对聚类后的采样特征jt中每一个聚类,使用最大值池化计算每一个聚类的特征,得到具有局部特征的点云p’,所述p’=maxpooling(cluster(jt));
S26、将具有局部特征的点云p’作为S22的点云,重复S22-S25三次,分别得到点云p”、点云p”’、点云p””;
S27、将所述点云p’、点云p”、点云p”’、点云p””进行拼接,得到最终提取的特征a。
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述步骤S3中根据提取的特征生成扰动,包括:
S31、使用全连接网络计算最终提取的特征a,得到进一步迭代后的特征;
S32、使用S31中迭代后的特征通过最大池化计算得到扰动offset。
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述步骤S3中根据提取的特征生成攻击点,包括:
S33、生成参数u和参数β,其中参数u服从0-1的均匀分布,参数β=0.99,根据如下公式计算生成中间变量t:
t=(ln(u)+ln(1-u)+ln(a))/β;
S34、根据所述中间变量t与自然对数e,经过如下公式计算得到硬混泥土分布s:
S35、截取s的值生成mask,使用如下公式将s限制在0-1之间:
mask=min(1,max(0,s));
S36、根据所述S35生成的mask以及所述S21的点云p生成攻击点attackpoints:
attackpoints=mask*p。
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述步骤S4中将所述扰动施加于所述攻击点生成对抗点云,包括:
使用S32得到的扰动offset、S36得到的攻击点attackpoints以及所述S21中的点云p,通过如下公式计算生成对抗点云pa:
pa=p+attackpoints*offset。
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述步骤S4中使用包含曲率距离的损失函数规约所述对抗点云的生成,包括:
S41、计算所述S21中的点云p的半正定矩阵Msemidefinite:
其中,Np表示点云p的邻居点,一个点包含32个邻居点表示为p’,表示向量外积;
S42、计算所述半正定矩阵Msemidefinite的特征值,以其中最小特征值作为点云p的法向量np;
S43、通过下式计算所述点云p的法向量np的变化趋势cp:
其中,Np表示点云p的邻居点,一共包含32个邻居点,np’表示邻居点的法向量;
S44、通过下式计算所述生成对抗点云pa之间法向量的变化趋势
表示生成对抗点云pa的法向量,/>表示点云p的邻居节点,一共包含32个邻居点,np’a表示邻居点的法向量;
S45、使用法向量np的变化趋势cp以及生成对抗点云pa之间法向量的变化趋势计算曲率距离的损失Lcur:
作为一优选项,一种基于曲率距离与硬具体分布的对抗点云生成方法,所述S1中点云通过雷达获取。
在另一方案中,本发明提供一种基于曲率距离与硬具体分布的对抗点云生成系统,所述系统包括:
点云获取模块,用于获取点云;
点云特征提取模块,使用神经网络提取所述点云的特征;
扰动和攻击点生成模块,用于根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;
对抗点云生成模块,用于将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成。
在另一方案中,本发明提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述对抗点云生成方法的步骤。
在另一方案中,本发明提供一种终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令,处理器运行计算机指令时执行所述对抗点云生成方法的步骤。
需要进一步说明的是,上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
与现有技术相比,本发明有益效果是:
(1)本发明通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;将所述扰动施加于所述攻击点生成对抗点云,可以即时地生成对抗点云,节省时间,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成,提升了生成的效率与生成对抗点云的不可感知性。
(2)本发明通过硬具体分布生成攻击点,通过选择攻击点,能够节约计算资源,提升生成对抗点云的效率。
附图说明
图1为本发明示出的一种基于曲率距离与硬具体分布的对抗点云生成方法的流程示意图。
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。
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。
实施例1
在一示例性实施例中,参见图1,提供一种基于曲率距离与硬具体分布的对抗点云生成方法,所述方法包括以下步骤:
S1、获取点云;
S2、使用神经网络提取所述点云的特征;
S3、根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;
S4、将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成。
具体地,本方法在使用时,首先从雷达获取点云;然后通过提取点云特征神经网络提取点云特征,接着使用提取到的点云特征通过生成扰动神经网络生成扰动;与此同时,使用提取到的点云特征通过硬具体分布选择攻击点;然后将扰动施加于攻击点以生成对抗点云;最终,利用包含曲率距离的损失函数规约整个生成对抗点云的过程。过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;将所述扰动施加于所述攻击点生成对抗点云,可以即时地生成对抗点云,节省时间。其中,使用包含曲率距离的损失函数规约所述对抗点云的生成,由于曲率距离的损失函数约束点云表面,使得对抗点云的表面结构与从雷达获取的点云的的表面结构保持一致,所以提升了对抗点云的不可感知性;同时,使用曲率距离的损失函数约束点云表面,限制了生成扰动神经网络生成的扰动方向,减少了计算量,提升了对抗点云的生成效率。
实施例2
基于实施例1,提供一种基于曲率距离与硬具体分布的对抗点云生成方法,,所述步骤S2包括:
S21、随机采样点云至1024个点的点云p;
S22、通过1乘1卷积计算所述点云p,得到经过卷积迭代后的特征t,所述特征t计算公式为:t=1*1conv(p);
S23、对迭代后的特征t进行最远距离采样,并采样至迭代后的特征t的二分之一数量,得到采样后的特征t’,所述采样后的特征t’=FPS(t),FPS表示最远距离采样;
S24、以采样后的特征t’为中心,相对于所述迭代后的特征t,使用最近邻采样聚类处理采样后的特征t’,得到聚类后的采样特征jt;
S25、对聚类后的采样特征jt中每一个聚类,使用最大值池化计算每一个聚类的特征,得到具有局部特征的点云p’,所述p’=maxpooling(cluster(jt));
S26、将具有局部特征的点云p’作为S22的点云,重复S22-S25三次,分别得到点云p”、点云p”’、点云p””;
S27、将所述点云p’、点云p”、点云p”’、点云p””进行拼接,得到最终提取的特征a。
进一步地,所述步骤S3中根据提取的特征生成扰动,包括:
S31、使用全连接网络计算最终提取的特征a,得到进一步迭代后的特征;
S32、使用S31中迭代后的特征通过最大池化计算得到扰动offset。
进一步地,所述步骤S3中根据提取的特征生成攻击点,包括:
S33、生成参数u和参数β,其中参数u服从0-1的均匀分布,参数β=0.99,根据如下公式计算生成中间变量t:
t=(ln(u)+ln(1-u)+ln(a))/β;
S34、根据所述中间变量t与自然对数e,经过如下公式计算得到硬混泥土分布s:
S35、截取s的值生成mask,使用如下公式将s限制在0-1之间:
mask=min(1,max(0,s));
S36、根据所述S35生成的mask以及所述S21的点云p生成攻击点attackpoints:
attackpoints=mask*p。
进一步地,所述步骤S4中将所述扰动施加于所述攻击点生成对抗点云,包括:
使用S32得到的扰动offset、S36得到的攻击点attackpoints以及所述S21中的点云p,通过如下公式计算生成对抗点云pa:
pa=p+attackpoints*offset。
进一步地,所述步骤S4中使用包含曲率距离的损失函数规约所述对抗点云的生成,包括:
S41、计算所述S21中的点云p的半正定矩阵Msemidefinite:
其中,Np表示点云p的邻居点,一个点包含32个邻居点表示为p’,表示向量外积;
S42、计算所述半正定矩阵Msemidefinite的特征值,以其中最小特征值作为点云p的法向量np;
S43、通过下式计算所述点云p的法向量np的变化趋势cp:
其中,Np表示点云p的邻居点,一共包含32个邻居点,np’表示邻居点的法向量;
S44、通过下式计算所述生成对抗点云pa之间法向量的变化趋势
表示生成对抗点云pa的法向量,/>表示点云p的邻居节点,一共包含32个邻居点,/>表示邻居点的法向量;
S45、使用法向量np的变化趋势cp以及生成对抗点云pa之间法向量的变化趋势计算曲率距离的损失Lcur:
实施例3
基于和实施例1相同的发明构思,本发明提供一种基于曲率距离与硬具体分布的对抗点云生成系统,所述系统包括:
点云获取模块,用于获取点云;
点云特征提取模块,使用神经网络提取所述点云的特征;
扰动和攻击点生成模块,用于根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;
对抗点云生成模块,用于将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成。
实施例4
本实施例与实施例1具有相同的发明构思,在实施例1的基础上提供了一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行实施例1中所述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,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例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-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例5
本实施例与实施例1具有相同的发明构思,提供一种终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令,处理器运行计算机指令时执行实施例1中所述对抗点云生成方法的步骤。其中,处理器可以是单核或者多核中央处理单元或者特定的集成电路,或者配置成实施本发明的一个或者多个集成电路。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的处理器包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
以上具体实施方式是对本发明的详细说明,不能认定本发明的具体实施方式只局限于这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替代,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于曲率距离与硬具体分布的对抗点云生成方法,其特征在于,所述方法包括以下步骤:
S1、获取点云;
S2、使用神经网络提取所述点云的特征;
S3、根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;所述通过硬具体分布生成攻击点,包括:
S33、生成参数u和参数β,其中参数u服从0-1的均匀分布,参数β=0.99,根据如下公式计算生成中间变量t:
t=(ln(u)+ln(1-u)+ln(a))/β;
S34、根据所述中间变量t与自然对数e,经过如下公式计算得到硬混泥土分布s:
S35、截取s的值生成mask,使用如下公式将s限制在0-1之间:
mask=min(1,max(0,s));
S36、根据所述S35生成的mask以及点云p生成攻击点attackpoints:
attackpoints=mask*p;
S4、将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成;
所述将所述扰动施加于所述攻击点生成对抗点云,包括:
使用步骤S3中得到的扰动offset、攻击点attackpoints以及所述步骤S2中的点云p,通过如下公式计算生成对抗点云pa:
pa=p+attackpoints*offset;
所述使用包含曲率距离的损失函数规约所述对抗点云的生成,包括:
S41、计算所述点云p的半正定矩阵Msemidefinite:
其中,Np表示点云p的邻居点,一个点包含32个邻居点表示为p’,表示向量外积;
S42、计算所述半正定矩阵Msemidefinite的特征值,以其中最小特征值作为点云p的法向量np;
S43、通过下式计算所述点云p的法向量np的变化趋势cp:
其中,Np表示点云p的邻居点,一共包含32个邻居点,np’表示邻居点的法向量;
S44、通过下式计算所述生成对抗点云pa之间法向量的变化趋势
表示生成对抗点云pa的法向量,/>表示点云p的邻居节点,一共包含32个邻居点,表示邻居点的法向量;
S45、使用法向量np的变化趋势cp以及生成对抗点云pa之间法向量的变化趋势计算曲率距离的损失Lcur:
2.根据权利要求1所述的一种基于曲率距离与硬具体分布的对抗点云生成方法,其特征在于,所述步骤S2包括:
S21、随机采样点云至1024个点的点云p;
S22、通过1乘1卷积计算所述点云p,得到经过卷积迭代后的特征t,所述特征t计算公式为:t=1*1conv(p);
S23、对迭代后的特征t进行最远距离采样,并采样至迭代后的特征t的二分之一数量,得到采样后的特征t’,所述采样后的特征t’=FPS(t),FPS表示最远距离采样;
S24、以采样后的特征t’为中心,相对于所述迭代后的特征t,使用最近邻采样聚类处理采样后的特征t’,得到聚类后的采样特征jt;
S25、对聚类后的采样特征jt中每一个聚类,使用最大值池化计算每一个聚类的特征,得到具有局部特征的点云p’,所述p’=maxpooling(cluster(jt));
S26、将具有局部特征的点云p’作为S22的点云,重复S22-S25三次,分别得到点云p”、点云p”’、点云p””;
S27、将所述点云p’、点云p”、点云p”’、点云p””进行拼接,得到最终提取的特征a。
3.根据权利要求2所述的一种基于曲率距离与硬具体分布的对抗点云生成方法,其特征在于,所述步骤S3中根据提取的特征生成扰动,包括:
S31、使用全连接网络计算最终提取的特征a,得到进一步迭代后的特征;
S32、使用S31中迭代后的特征通过最大池化计算得到扰动offset。
4.根据权利要求1所述的一种基于曲率距离与硬具体分布的对抗点云生成方法,其特征在于,所述S1中点云通过雷达获取。
5.一种基于曲率距离与硬具体分布的对抗点云生成系统,其特征在于,所述系统包括:
点云获取模块,用于获取点云;
点云特征提取模块,使用神经网络提取所述点云的特征;
扰动和攻击点生成模块,用于根据提取的特征分别生成扰动和攻击点,其中,通过生成扰动神经网络生成扰动,通过硬具体分布生成攻击点;所述通过硬具体分布生成攻击点,包括:
生成参数u和参数β,其中参数u服从0-1的均匀分布,参数β=0.99,根据如下公式计算生成中间变量t:
t=(ln(u)+ln(1-u)+ln(a))/β;
根据所述中间变量t与自然对数e,经过如下公式计算得到硬混泥土分布s:
截取s的值生成mask,使用如下公式将s限制在0-1之间:
mask=min(1,max(0,s));
根据生成的mask以及点云p生成攻击点attackpoints:
attackpoints=mask*p;
对抗点云生成模块,用于将所述扰动施加于所述攻击点生成对抗点云,其中,使用包含曲率距离的损失函数规约所述对抗点云的生成;所述将所述扰动施加于所述攻击点生成对抗点云,包括:
使用扰动和攻击点生成模块中得到的扰动offset、攻击点attackpoints以及所述点云特征提取模块中的点云p,通过如下公式计算生成对抗点云pa:
pa=p+attackpoints*offset;
所述使用包含曲率距离的损失函数规约所述对抗点云的生成,包括:
计算所述点云p的半正定矩阵Msemidefinite:
其中,Np表示点云p的邻居点,一个点包含32个邻居点表示为p',表示向量外积;
计算所述半正定矩阵Msemidefin ite的特征值,以其中最小特征值作为点云p的法向量np;
通过下式计算所述点云p的法向量np的变化趋势cp:
其中,Np表示点云p的邻居点,一共包含32个邻居点,np’表示邻居点的法向量;
通过下式计算所述生成对抗点云pa之间法向量的变化趋势
表示生成对抗点云pa的法向量,/>表示点云p的邻居节点,一共包含32个邻居点,表示邻居点的法向量;
使用法向量np的变化趋势cp以及生成对抗点云pa之间法向量的变化趋势计算曲率距离的损失Lcur:
6.一种存储介质,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1-4中任意一项所述对抗点云生成方法的步骤。
7.一种终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令,其特征在于,处理器运行计算机指令时执行权利要求1-4中任意一项所述对抗点云生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908876.0A CN115100503B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908876.0A CN115100503B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100503A CN115100503A (zh) | 2022-09-23 |
CN115100503B true CN115100503B (zh) | 2024-05-07 |
Family
ID=83301620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908876.0A Active CN115100503B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100503B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460974A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于优化的散乱点云数据全局特征提取方法 |
CN112365582A (zh) * | 2020-11-17 | 2021-02-12 | 电子科技大学 | 一种对抗点云生成方法、存储介质和终端 |
CN113361565A (zh) * | 2021-05-14 | 2021-09-07 | 浙江工业大学 | 一种针对激光雷达的对抗样本生成方法和系统 |
CN113610904A (zh) * | 2021-07-19 | 2021-11-05 | 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 |
CN113838211A (zh) * | 2021-09-15 | 2021-12-24 | 广州大学 | 一种3d点云分类攻击防御方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11726184B2 (en) * | 2019-03-08 | 2023-08-15 | Leddartech Inc. | Component for a LIDAR sensor system, LIDAR sensor system, LIDAR sensor device, method for a LIDAR sensor system and method for a LIDAR sensor device |
EP4115348A1 (en) * | 2020-03-03 | 2023-01-11 | HRL Laboratories, LLC | Method for proving or identifying counter-examples in neural networks systems that process point cloud data |
-
2022
- 2022-07-29 CN CN202210908876.0A patent/CN115100503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460974A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于优化的散乱点云数据全局特征提取方法 |
CN112365582A (zh) * | 2020-11-17 | 2021-02-12 | 电子科技大学 | 一种对抗点云生成方法、存储介质和终端 |
CN113361565A (zh) * | 2021-05-14 | 2021-09-07 | 浙江工业大学 | 一种针对激光雷达的对抗样本生成方法和系统 |
CN113610904A (zh) * | 2021-07-19 | 2021-11-05 | 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 |
CN113838211A (zh) * | 2021-09-15 | 2021-12-24 | 广州大学 | 一种3d点云分类攻击防御方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
SC-Net: Salient Point and Curvature Based Adversarial Point Cloud Generation Network;Zihao Zhang等;《ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20230505;全文 * |
深度学习中的对抗性攻击和防御;任奎;Tianhang Zheng;秦湛;Xue Liu;;Engineering;20200315(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115100503A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110741388B (zh) | 对抗样本检测方法、装置、计算设备及计算机存储介质 | |
CN108549940B (zh) | 基于多种对抗样例攻击的智能防御算法推荐方法及系统 | |
CN111460443B (zh) | 一种联邦学习中数据操纵攻击的安全防御方法 | |
CN113269115B (zh) | 一种基于Informer的行人轨迹预测方法 | |
CN111508588B (zh) | 训练装置、训练方法和计算机可读记录介质 | |
CN109685200B (zh) | 基于生成对抗网络的雾计算工业协议构建方法及构建系统 | |
CN115913643A (zh) | 一种基于对抗自编码器的网络入侵检测方法、系统及介质 | |
WO2016061742A1 (en) | Automatic profiling framework of cross-vm covert channel capacity | |
CN110636010A (zh) | 自适应多代理协作计算与推断 | |
CN115965657B (zh) | 目标跟踪方法、电子设备、存储介质及车辆 | |
CN109660522B (zh) | 面向综合电子系统的基于深层自编码器的混合入侵检测方法 | |
CN115100503B (zh) | 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 | |
CN114676743A (zh) | 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法 | |
Han et al. | DP-Authentication: A novel deep learning based drone pilot authentication scheme | |
CN117311393A (zh) | 一种无人机自主飞行路径规划方法及系统 | |
CN116461507A (zh) | 一种车辆驾驶决策方法、装置、设备和存储介质 | |
Zhao et al. | Malicious agent detection for robust multi-agent collaborative perception | |
CN113837253B (zh) | 一种单步对抗训练方法、系统、设备、存储介质及产品 | |
CN115758337A (zh) | 基于时序图卷积网络的后门实时监测方法、电子设备、介质 | |
CN113610904B (zh) | 3d局部点云对抗样本生成方法、系统、计算机及介质 | |
CN114792320A (zh) | 轨迹预测方法、轨迹预测装置和电子设备 | |
Zhu et al. | Malicious Attacks against Multi-Sensor Fusion in Autonomous Driving | |
CN110927714A (zh) | 无人机入侵的检测方法、检测装置及终端设备 | |
CN114815900B (zh) | 无人集群对抗方法、装置、电子设备及存储介质 | |
Zhang et al. | OceanCL-IDS: A Continual Learning-based Intrusion Detection System for Ocean-going Ship-Satellite Communication Network |
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 |