目前做的方向是點雲分類，CVPR 2019中了的這篇論文算是顛覆了當前以PointNet為基礎的使用深度學習方法進行的點雲分類研究，特此關注下這篇文章。
論文鏈接：https://arxiv.org/abs/1809.07016
摘要：
已知深度神經網絡容易受到精心設計的對抗性的例子的影響，導致模型做出錯誤的預測。雖然已經廣泛研究了2D圖像和CNN的對抗性示例，但是對諸如點雲的3D數據的關注較少。鑒於許多安全關鍵的3D應用程序（如自動駕駛），研究對抗點雲如何影響當前的深3D模型非常重要。在這項工作中，我們提出了幾種新的算法來針對PointNet制作對抗點雲，PointNet是一種廣泛使用的用於點雲處理的深度神經網絡。我們的算法以兩種方式工作：對抗點擾動和對抗點生成。對於點擾動，我們可微小地改變現有點。對於點生成，我們生成一組獨立的和分散的點或少量（1-3）具有有意義形狀的點簇，例如可以隱藏在肉眼認為中的球和飛機點雲模型中。此外，我們制定了針對點雲攻擊的六種擾動測量指標，並進行了大量實驗來評估所提出的算法。
目前還沒開源代碼，等待開源……
對於點雲分類來說，這是之前沒有見到過的研究方向，未來的點雲分類方法的驗證或許需要進行此類的算法可行性驗證。
很開心看到點雲方向的逐漸繁榮。