三维点云分类中的不确定性加权对抗攻击方法的研究

摘要

为提升基于深度神经网络的点云分类模型对输入样本对抗性扰动的鲁棒性，提出一种面向三维点云分类的对抗性攻击方法（UWA2）。该方法引入了一种新的动态分配权重机制，量化点云数据中各点的不确定性程度，为易受扰动的关键点赋予更高的权重，将已经错误分类的点权重置0。该权重分配策略能够无缝集成到模型的损失函数中，在几乎不增加额外计算开销的前提下，显著提升对抗攻击的有效性。实验在标准点云数据集ModelNet40上进行全面评估，以PointNet分类模型为目标进行测试。结果表明：在无防御场景下，该方法的攻击成功率高达98.5%，显著优于FGSM(49.0%)和IFGM(73.0%)等基准方法；在对抗防御方面，UWA2在DUP-Net防御机制下仍保持85.3%的攻击成功率，远超其他对比方法（FGSM:30.8%,IFGM:3.3%），同时目标模型的分类准确率低至34.2%；消融实验验证了各组件对模型的贡献，进一步证实了所提方法的有效性。

关键词

点云分类 / 深度学习 / 加权优化 / 对抗攻击