Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks

Haosheng Li

doi:10.1109/LRA.2025.3619750

Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks

0

PRE

AI

DOI：10.1109/LRA.2025.3619750

原文链接

原文求助

摘要

En 中文

无监督域适应（UDA）框架已在干净数据上展示了良好的3D点云语义分割模型的泛化能力。然而，现有工作在源域本身被破坏时忽略了对抗鲁棒性。为全面探究UDA框架的鲁棒性，我们首先设计了一种隐蔽的对抗性点云生成攻击，仅需对点云表面施加微小扰动即可显著污染数据集。在此基础上，我们提出一个新型数据集AdvSynLiDAR，包含合成的污染LiDAR点云。利用生成的污染数据，我们进一步开发了对抗适应框架作为应对措施。具体而言，通过将关键点敏感损失扩展为鲁棒长尾损失，并利用解码器分支，我们的方法使模型在预训练阶段能够聚焦于长尾类别，并在适应阶段利用高置信度解码的点云信息来恢复点云结构。我们在AdvSynLiDAR数据集上评估了我们的方法，结果表明该方法能在3D点云分割应用中缓解UDA在源对抗扰动下的性能下降。

Keyword:

Transfer learning

semantic scene understanding

object detection

segmentation and categorization

Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks

摘要

期刊

机构

引用论文