[發明專利]一種基于梯度攻擊的三維激光雷達點云數據擴增方法

在審

• 申請號: 202111471857.8
• 申請日: 2022-02-19
• 公開（公告）號: CN114581727A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 房春榮;劉關迪;劉佳瑋;林聚;陳振宇
• 申請（專利權）人: 南京大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于梯度攻擊的三維激光雷達點云數據擴增方法，其特征是將三維激光雷達點云數據的數據擴增過程處理為將原始三維激光雷達點云數據作為PointNet模型的輸入，通過梯度攻擊的方式生成高度近似原始三維激光雷達點云數據，卻能使模型做出錯誤分類的用例的過程?；跇颖据斎隤ointNet模型并基于損失函數進行反向傳播而得的梯度值，迭代式的對樣本進行梯度攻擊，直至達到迭代次數上限或成功生成能使PointNet模型做出錯誤分類結果的樣本。本方法可以通過輸入大量三維激光雷達點云數據，在短時間內產生與之高度近似的，卻能使模型做出錯誤分類的用例。

技術領域

本發明屬于軟件工程和機器學習領域，尤其是深度學習方法在數據擴增領域的應用，用于對三維激光雷達點云進行數據擴增與合成。

背景技術

隨著算力水平的不斷提升與機器學習算法的不斷演進，人工智能技術被廣泛地應用于醫療診斷、軍用探測等各個領域中。而與傳統僅追求功能與性能的算法不同，應用于安全攸關領域的機器學習算法需要保證在各類應用環境下均能保持高可靠性，以保證諸如人身、財產與軍事安全。

三維激光雷達點云數據如今被廣泛地應用于自動駕駛、軍事安全等民用與軍用領域的深度學習算法中。然而，一方面，深度學習算法往往需要大量數據樣本以進行訓練，高可靠、高質量、高數量的激光雷達點云數據的需求日益增長。另一方面，激光雷達本身造價昂貴，且其數據采集、清洗、標記過程復雜費時，因此往往存在樣本數量缺乏、多樣性有限的限制。

與此同時，在深度學習模型測試方面，由于模型的決策邏輯皆從訓練樣本中學習而來，這種黑盒模式使得系統的錯誤行為比傳統軟件系統更難預測與解釋。現有的傳統軟件測試方法主要依靠大量手工標記的測試樣本以度量深度學習系統的精確率、召回率、F-mueasure值等各類指標。而受限于深度學習的可解釋性，這類手工標記的樣本往往不能有效發現出深度學習模型的異常行為。

本方法旨在提出一種三維激光雷達點云數據擴增方法，基于對原始三維激光雷達點云數據進行讀取與分析，生成預處理后的三維激光雷達點云數據，并將其作為PointNet的原始輸入。通過計算數據樣本在PointNet模型上的損失與回傳梯度來進行反復的評估與梯度攻擊，從而實現對數據樣本進行修改，生成原始數據樣本的對抗樣本，達到數據擴增的目的。本方法可在短時間內擴增出大量與原始三維激光雷達點云數據相對應的，高度近似原始點云數據的對抗樣本，且這些擴增出的對抗樣本用例會使得PointNet做出錯誤的分類判斷，具有較高的欺騙性。該方法可為基于三維激光雷達點云數據的深度學習方法提供更多測試樣本。

發明內容

本發明要解決的問題是：梯度攻擊與對抗樣本生成思想如何應用到三維激光雷達點云數據的數據擴增中，以生成更多的三維激光雷達點云數據，從而為基于三維激光雷達點云數據的深度學習方法提供更多的訓練樣本。

本發明的技術方案為：一種基于梯度攻擊的三維激光雷達點云數據擴增方法，包括以下步驟：

1)預處理三維激光雷達點云數據集，包括以下步驟：

1.1)對三維激光雷達點云數據進行格式化讀取；

1.2)提取點云中每個點的三維坐標，并統計點云中點的總個數；

1.3)對讀取出的三維點云坐標進行重采樣處理。進一步的，重采樣過程具體包括以下步驟：

1.3.1)隨機篩選出原始點云中指定個數的點。從格式化讀取出的點云數據中隨機抽取k個點作為篩選結果，其中，k為PointNet模型所能接受的合法三維點云輸入中的點的個數；

1.3.2)對點云進行零均值化處理。計算點云中各維度的均值將點云中每個點的三個維度值分別減去對應維度的均值。零均值化后的點云中心應位于空間坐標系中的(0，0，0)處。記錄零均值化時計算得到的值；