-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

AI安全之對抗樣本入門

( 簡體 字)
作者:兜哥類別:1. -> 程式設計 -> 人工智慧
譯者:
出版社:機械工業出版社AI安全之對抗樣本入門 3dWoo書號: 51272
詢問書籍請說出此書號!

缺書
NT售價: 645

出版日:6/6/2019
頁數:279
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111626824
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

目錄:

對本書的贊譽
序一
序二
自序
前言
第1章 深度學習基礎知識1
1.1 深度學習的基本過程及相關概念1
1.1.1 數據預處理1
1.1.2 定義網絡結構2
1.1.3 定義損失函數6
1.1.4 反向傳遞與優化器7
1.1.5 范數12
1.2 傳統的圖像分類算法13
1.3 基于CNN的圖像分類14
1.3.1 局部連接14
1.3.2 參數共享15
1.3.3 池化17
1.3.4 典型的CNN結構18
1.3.5 AlexNet的結構19
1.3.6 VGG的結構19
1.3.7 ResNet5020
1.3.8 InceptionV320
1.3.9 可視化CNN20
1.4 常見性能衡量指標30
1.4.1 測試數據30
1.4.2 混淆矩陣31
1.4.3 準確率與召回率31
1.4.4 準確度與F1-Score32
1.4.5 ROC與AUC33
1.5 集成學習34
1.5.1 Boosting算法35
1.5.2 Bagging算法37
1.6 本章小結39
第2章 打造對抗樣本工具箱40
2.1 Anaconda41
2.2 APT更新源45
2.3 Python更新源45
2.4 Jupyter notebook45
2.5 TensorFlow49
2.6 Keras50
2.7 PyTorch51
2.8 PaddlePaddle52
2.9 AdvBox52
2.10 GPU服務器52
2.11 本章小結55
第3章 常見深度學習平臺簡介56
3.1 張量與計算圖56
3.2 TensorFlow58
3.3 Keras62
3.4 PyTorch64
3.5 MXNet67
3.6 使用預訓練模型70
3.7 本章小結76
第4章 圖像處理基礎知識77
4.1 圖像格式77
4.1.1 通道數與像素深度77
4.1.2 BMP格式80
4.1.3 JPEG格式81
4.1.4 GIF格式81
4.1.5 PNG格式81
4.2 圖像轉換81
4.2.1 仿射變換81
4.2.2 圖像縮放83
4.2.3 圖像旋轉85
4.2.4 圖像平移85
4.2.5 圖像剪切86
4.2.6 圖像翻轉87
4.2.7 亮度與對比度88
4.3 圖像去噪89
4.3.1 高斯噪聲和椒鹽噪聲90
4.3.2 中值濾波91
4.3.3 均值濾波93
4.3.4 高斯濾波93
4.3.5 高斯雙邊濾波94
4.4 本章小結96
第5章 白盒攻擊算法97
5.1 對抗樣本的基本原理97
5.2 基于優化的對抗樣本生成算法100
5.2.1 使用PyTorch生成對抗樣本102
5.2.5 使用TensorFlow生成對抗樣本106
5.3 基于梯度的對抗樣本生成算法109
5.4 FGM/FGSM算法110
5.4.1 FGM/FGSM基本原理110
5.4.2 使用PyTorch實現FGM111
5.4.3 使用TensorFlow實現FGM112
5.5 DeepFool算法115
5.5.1 DeepFool基本原理115
5.5.2 使用PyTorch實現DeepFool117
5.5.3 使用TensorFlow實現DeepFool122
5.6 JSMA算法124
5.6.1 JSMA基本原理124
5.6.2 使用PyTorch實現JSMA126
5.6.3 使用TensorFlow實現JSMA129
5.7 CW算法132
5.7.1 CW基本原理132
5.7.2 使用TensorFlow實現CW135
5.7.3 使用PyTorch實現CW140
5.8 本章小結142
第6章 黑盒攻擊算法143
6.1 單像素攻擊算法143
6.2 單像素攻擊MNIST識別模型146
6.3 本地搜索攻擊算法148
6.4 本地搜索攻擊ResNet模型151
6.5 遷移學習攻擊算法153
6.6 通用對抗樣本157
6.7 針對MNIST生成通用對抗樣本160
6.8 本章小結163
第7章 對抗樣本在目標檢測領域的應用164
7.1 目標檢測的概念164
7.2 目標檢測在智能駕駛領域的應用166
7.2.1 車道偏離預警166
7.2.2 前向防碰撞預警167
7.2.3 交通標志識別167
7.2.4 行人防碰撞預警系統167
7.2.5 駕駛員疲勞監測預警168
7.2.6 自動泊車169
7.3 目標檢測在智能安防領域的應用169
7.3.1 人臉檢索169
7.3.2 行為識別170
7.4 邊緣檢測算法171
7.4.1 Soble邊緣檢測171
7.4.2 拉普拉斯邊緣檢測174
7.4.3 Canny邊緣檢測175
7.5 直線檢測算法176
7.6 圓形檢測算法181
7.7 RCNN系列算法183
7.7.1 RCNN183
7.7.2 Fast RCNN185
7.7.3 Faster RCNN185
7.7.4 TensorFlow目標檢測庫187
7.7.5 Faster RCNN使用示例191
7.8 YOLO算法196
7.8.1 YOLO概述196
7.8.2 YOLO使用示例199
7.9 SSD算法201
7.9.1 SSD概述201
7.9.2 SSD使用示例201
7.10 白盒攻擊Faster RCNN203
7.11 物理攻擊YOLO概述210
7.12 本章小結213
第8章 對抗樣本常見防御算法214
8.1 對抗樣本的魯棒性214
8.1.1 圖像旋轉對魯棒性的影響214
8.1.2 濾波器對魯棒性的影響220
8.1.3 對比度和亮度對魯棒性的影響225
8.1.4 噪聲對魯棒性的影響230
8.2 抵御對抗樣本攻擊的常見方法237
8.2.1 圖像預處理237
8.2.2 對抗訓練238
8.2.3 高斯數據增強238
8.2.4 自編碼器去噪240
8.2.5 ICLR 2018提出的對抗樣本抵御方法245
8.3 本章小結247
第9章 常見對抗樣本工具箱簡介248
9.1 對抗樣本常見衡量指標248
9.1.1 l0范數248
9.1.2 l2范數249
9.1.3 linf范數250
9.2 AdvBox250
9.2.1 AdvBox簡介250
9.2.2 在AdvBox中使用FGSM算法250
9.2.3 在AdvBox中使用DeepFool算法252
9.2.4 在AdvBox中使用黑盒攻擊算法255
9.3 ART257
9.3.1 ART簡介257
9.3.2 在ART中使用FGSM算法258
9.3.3 ART下使用CW算法260
9.4 FoolBox 262
9.4.1 FoolBox簡介262
9.4.2 在FoolBox中使用JSMA算法263
9.4.3 在FoolBox中使用CW算法264
9.5 Cleverhans 266
9.5.1 Cleverhans簡介266
9.5.2 在Cleverhans中使用FGSM算法267
9.5.3 在Cleverhans中進行對抗訓練269
9.6 NIPS對抗攻擊防御環境搭建270
9.6.1 NIPS對抗攻擊防御賽簡介270
9.6.2 環境搭建方法270
9.6.3 運行測試代碼271
9.7 輕量級攻防對抗環境robust-ml275
9.7.1 robust-ml簡介275
9.7.2 運行測試代碼276
9.8 本章小結279
序: