인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Recent advancements in 3D deep learning have led to the worldwide adoption of point cloud classifiers across domains, such as autonomous driving, robotics, and medical imaging. However, these models are highly vulnerable to adversarial attacks that introduce minimal perturbations to the point positions, leading to incorrect predictions. Even small geometric changes are visually apparent and difficult to conceal. Therefore, researchers have proposed a range of adversarial perturbations on 3D point clouds to evaluate the robustness of AI models and identify potential vulnerabilities while aiming to maximize imperceptibility and maintain high attack success rate. This study provides a comprehensive survey of recent techniques, categorizing them into five methodological groups: distance-based adversarial perturbation, normal vector-based adversarial perturbation, frequency-based adversarial perturbation, mesh-aware adversarial perturbation, and saliency-guided adversarial perturbation. For each category, we analyzed the core mechanisms, strengths, and limitations of generating visually plausible adversarial examples. Furthermore, we evaluated and compared state-of-the-art methods on the ModelNet40 dataset using standard classification backbones, and assessed their robustness under three widely used input restoration defenses.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094400749
