Attack on Scene Flow using Point Clouds

深度神经网络在使用点云准确估计场景流方面取得了重大进展，这对许多应用程序如视频分析、动作识别和导航至关重要。然而，这些技术的鲁棒性仍然是一个问题，特别是面对已被证明可以欺骗最先进的深度神经网络的对抗性攻击。令人惊讶的是，场景流网络对这种攻击的鲁棒性尚未得到彻底的研究。为了解决这个问题，所提出的方法旨在通过引入专门针对场景流网络的对抗性白盒攻击来弥补这一差距。实验结果表明，生成的对抗性示例在KITTI和FlyingThings3D数据集上的平均端点误差相对下降高达33.7。研究还揭示了仅针对一维或颜色通道的点云的攻击对平均端点误差的显着影响。分析这些攻击在场景流网络及其2D光流网络变体上的成功与失败显示出光流网络更易受攻击。

本文旨在解决场景流网络在面对对抗攻击时的鲁棒性问题，通过引入特定于场景流网络的白盒对抗攻击来填补这一研究空白。

本文的主要思路是针对场景流网络进行特定的白盒对抗攻击，研究攻击对场景流网络的影响。实验结果表明，生成的对抗样本在KITTI和FlyingThings3D数据集上的平均端点误差相对下降高达33.7％。此外，攻击只针对点云中的一个维度或颜色通道对平均端点误差的影响也是非常显著的。研究还表明，攻击对场景流网络和其2D光流网络变体的成功和失败情况的分析显示出光流网络的脆弱性更高。

本文的实验设计充分，使用了KITTI和FlyingThings3D数据集，并公开了代码。此外，攻击只针对点云中的一个维度或颜色通道对平均端点误差的影响也是非常显著的，这对于进一步研究场景流网络的鲁棒性有重要意义。

在最近的相关研究中，也有一些研究探讨了深度神经网络在面对对抗攻击时的鲁棒性问题，例如："Explaining and Harnessing Adversarial Examples"、"Adversarial Examples Are Not Bugs, They Are Features"等。