3D点云分类具有许多安全关键型应用程序，例如自动驾驶和机器人抓取。但是，一些研究表明，它容易受到对抗性攻击。特别是，攻击者可以通过仔细修改，添加和/或删除少量点来使分类器为3D点云预测不正确的标签。随机平滑是建立可验证的强大2D图像分类器的最新技术。但是，当应用于3D点云分类时，随机平滑只能证明针对对抗{修改}点的鲁棒性。在这项工作中，我们提出了PointGuard，这是第一个具有可证明的鲁棒性保证的防御，可以防御对抗性修改，添加和/或删除的点。具体来说，给定3D点云和任意点云分类器，我们的PointGuard首先创建多个子采样点云，每个子云都包含原始点云中点的随机子集；然后我们的PointGuard会将原始点云的标签预测为由点云分类器预测的二次采样点云的标签中的多数票。我们的第一个主要的理论贡献是，当对抗性修改，添加和/或删除的点数有界时，我们证明PointGuard可预测3D点云的相同标签。我们的第二个主要理论贡献是，当不对点云分类器进行任何假设时，我们证明了导出边界的紧密性。此外，我们设计了一种有效的算法来计算我们的认证鲁棒性保证。我们还根据经验评估了ModelNet40和ScanNet基准数据集上的PointGuard。



"点击查看英文标题和摘要"