- 基于深度学习的图像分类与对抗技术(精)/深度学习安全对抗丛书
- - 作者：张全新//谭冬黎//王亚杰//高一轩|责编:李颖颖|总主编:祝烈煌
  - 出版社：北京理工大学
  - ISBN：9787576351101
  - 出版日期：2025/02/01
  - 页数：189
- 售价：21.2

内容大纲
随着计算机技术的飞速发展，人工智能已经深人人们的日常生活。其中深度学习在图像分类、目标检测、自然语言处理等领域取得了良好的效果。但是，深度学习及其分支技术具有一些内在的脆弱性，在某些场景下容易受到对抗样本的欺骗和攻击，会引发严重后果。若不能了解其中的原因和机理，就不能进行有效防御。本书通过介绍针对图像分类模型的对抗技术，描述了面向深度神经网络的攻击效果，以此阐述对其脆弱性进行剖析的技术方法，期望能反向促进深度学习及人工智能领域的健康发展。
本书适合相关专业高年级本科生、研究生以及对图像分类中的对抗技术感兴趣的研究人员作为参考用书。
作者介绍
目录
第1章  深度学习中的图像分类技术概述
  1.1  深度学习的主要特点及应用领域
  1.2  图像分类的发展历程
第2章  面向图像分类的主要神经网络模型
  2.1  神经网络层次
  2.2  神经网络模型
  2.3  深度学习模型
第3章  图像分类与目标检测的应用
  3.1  图像分类
    3.1.1  技术原理
    3.1.2  应用领域
  3.2  目标检测
    3.2.1  技术原理
    3.2.2  应用领域
  3.3  总结
第4章  图像分类对抗概述
  4.1  深度神经网络的脆弱性
  4.2  对抗目标环境及对抗效果类型
  4.3  主要评价标准
  4.4  主要图像数据集
  4.5  智能防御
第5章  五种图像分类对抗方法详解
  5.1  基于梯度计算的对抗方法
    5.1.1  攻击目标的特性
    5.1.2  基于梯度的白盒攻击算法
    5.1.3  方案概述
    5.1.4  测试验证
    5.1.5  算法改进
  5.2  基于FIA算法的对抗方法
    5.2.1  FIA算法基本原理
    5.2.2  YOLO v3模型结构分析
    5.2.3  针对YOLO v3模型的优化函数设计
    5.2.4  基于查询的超参数优化机制
    5.2.5  方案概述
    5.2.6  验证测试
  5.3  基于解码器自集成的对抗方法
    5.3.1  检测自注意力模型的结构分析
    5.3.2  DSEA方法
    5.3.3  实验设置
    5.3.4  白盒攻击检测自注意力模型
    5.3.5  黑盒攻击基于自注意力网络的目标检测模型
  5.4  基于目标特征增强的对抗方法
    5.4.1  图像数据增强
    5.4.2  目标特征增强的对抗样本生成方法设计
    5.4.3  实验设置
    5.4.4  针对黑盒的对抗效果评估
    5.4.5  优势分析与性能对比
  5.5  基于频率敏感性的对抗方法
    5.5.1  频率敏感性与对抗扰动生成机制
    5.5.2  基于频率敏感性的对抗样本生成

    5.5.3  实验评估与分析
参考文献
索引

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目