ترجمه فارسی مقاله PointNCBW: به سوی تأیید مالکیت مجموعه داده‌ها برای ابرهای نقطه‌ای از طریق واترمارک درب پشتی با برچسب پاک منفی

چکیده

Recently, point clouds have been widely used in computer vision, whereas their collection is time-consuming and expensive. As such, point cloud datasets are the valuable intellectual property of their owners and deserve protection. To detect and prevent unauthorized use of these datasets, especially for commercial or open-sourced ones that cannot be sold again or used commercially without permission, we intend to identify whether a suspicious third-party model is trained on our protected dataset under the black-box setting. We achieve this goal by designing a scalable clean-label backdoor-based dataset watermark for point clouds that ensures both effectiveness and stealthiness. Unlike existing clean-label watermark schemes, which are susceptible to the number of categories, our method could watermark samples from all classes instead of only from the target one. Accordingly, it can still preserve high effectiveness even on large-scale datasets with many classes. Specifically, we perturb selected point clouds with non-target categories in both shape-wise and point-wise manners before inserting trigger patterns without changing their labels. The features of perturbed samples are similar to those of benign samples from the target class. As such, models trained on the watermarked dataset will have a distinctive yet stealthy backdoor behavior, i.e., misclassifying samples from the target class whenever triggers appear, since the trained DNNs will treat the inserted trigger pattern as a signal to deny predicting the target label. We also design a hypothesis-test-guided dataset ownership verification based on the proposed watermark. Extensive experiments on benchmark datasets are conducted, verifying the effectiveness of our method and its resistance to potential removal methods.

چکیده به فارسی (ترجمه ماشینی)

اخیراً ، ابرهای نقطه به طور گسترده ای در دید رایانه مورد استفاده قرار می گیرند ، در حالی که مجموعه آنها وقت گیر و گران است.به همین ترتیب ، مجموعه داده های Cloud Point مالکیت معنوی ارزشمند صاحبان آنها است و مستحق محافظت است.برای تشخیص و جلوگیری از استفاده غیرمجاز از این مجموعه داده ها ، به ویژه برای کالاهای تجاری یا منبع باز که نمی توان دوباره فروخته شد یا از نظر تجاری بدون اجازه استفاده کرد ، ما قصد داریم تشخیص دهیم که آیا یک مدل شخص ثالث مشکوک در مجموعه داده های محافظت شده ما تحت سیاه آموزش دیده استتنظیم جعبهما با طراحی یک علامت داده مبتنی بر پشت پرده با برچسب تمیز مقیاس پذیر برای ابرهای نقطه ای که هم اثربخشی و هم مخفیانه را تضمین می کند ، به این هدف می رسیم.بر خلاف طرح های علامت آبی با برچسب تمیز ، که مستعد تعداد دسته بندی ها هستند ، روش ما می تواند به جای اینکه فقط از هدف مورد نظر باشد ، نمونه هایی از همه کلاس ها را علامت گذاری کند.بر این اساس ، هنوز هم می تواند اثربخشی بالایی را حتی در مجموعه داده های در مقیاس بزرگ با کلاس های بسیاری حفظ کند.به طور خاص ، ما قبل از قرار دادن الگوهای محرک بدون تغییر برچسب های خود ، ابرهای منتخب را با دسته های غیر هدف در هر دو روش شکل و عاقلانه مختل می کنیم.ویژگی های نمونه های آشفته مشابه نمونه های خوش خیم از کلاس هدف است.به همین ترتیب ، مدلهایی که در مجموعه داده های علامت گذاری شده آموزش دیده اند ، یک رفتار متمایز و در عین حال مخفیگاه پشتی دارند ، یعنی نمونه های نادرست از کلاس هدف هر زمان که محرک ظاهر شوند ، از آنجا که DNN های آموزش دیده الگوی ماشه درج شده را به عنوان سیگنال برای انکار پیش بینی برچسب هدف درمان می کنند.ما همچنین تأییدیه مالکیت مجموعه داده با هدایت فرضیه را بر اساس علامت پیشنهادی طراحی می کنیم.آزمایش های گسترده در مجموعه داده های معیار انجام شده است ، و اثربخشی روش ما و مقاومت آن در برابر روشهای حذف احتمالی را تأیید می کند.