- 9.8 本章小結 更新時間：2019-07-11 18:32:58
- 9.7.2 運行測試代碼
- 9.7.1 robust-ml簡介
- 9.7 輕量級攻防對抗環境robust-ml
- 9.6.3 運行測試代碼
- 9.6.2 環境搭建方法
- 9.6.1 NIPS對抗攻擊防御賽簡介
- 9.6 NIPS對抗攻擊防御環境搭建
- 9.5.3 在Cleverhans中進行對抗訓練
- 9.5.2 在Cleverhans中使用FGSM算法
- 9.5.1 Cleverhans簡介
- 9.5 Cleverhans
- 9.4.3 在FoolBox中使用CW算法
- 9.4.2 在FoolBox中使用JSMA算法
- 9.4.1 FoolBox簡介
- 9.4 FoolBox
- 9.3.3 ART下使用CW算法
- 9.3.2 在ART中使用FGSM算法
- 9.3.1 ART簡介
- 9.3 ART
- 9.2.4 在AdvBox中使用黑盒攻擊算法
- 9.2.3 在AdvBox中使用DeepFool算法
- 9.2.2 在AdvBox中使用FGSM算法
- 9.2.1 AdvBox簡介
- 9.2 AdvBox
- 9.1.3 linf范數
- 9.1.2 l2范數
- 9.1.1 l0范數
- 9.1 對抗樣本常見衡量指標
- 第9章 常見對抗樣本工具箱簡介
- 8.3 本章小結
- 8.2.5 ICLR 2018提出的對抗樣本抵御方法
- 8.2.4 自編碼器去噪
- 8.2.3 高斯數據增強
- 8.2.2 對抗訓練
- 8.2.1 圖像預處理
- 8.2 抵御對抗樣本攻擊的常見方法
- 8.1.4 噪聲對魯棒性的影響
- 8.1.3 對比度和亮度對魯棒性的影響
- 8.1.2 濾波器對魯棒性的影響
- 8.1.1 圖像旋轉對魯棒性的影響
- 8.1 對抗樣本的魯棒性
- 第8章 對抗樣本常見防御算法
- 7.12 本章小結
- 7.11 物理攻擊YOLO概述
- 7.10 白盒攻擊Faster RCNN
- 7.9.2 SSD使用示例
- 7.9.1 SSD概述
- 7.9 SSD算法
- 7.8.2 YOLO使用示例
- 7.8.1 YOLO概述
- 7.8 YOLO算法
- 7.7.5 Faster RCNN使用示例
- 7.7.4 TensorFlow目標檢測庫
- 7.7.3 Faster RCNN
- 7.7.2 Fast RCNN
- 7.7.1 RCNN
- 7.7 RCNN系列算法
- 7.6 圓形檢測算法
- 7.5 直線檢測算法
- 7.4.3 Canny邊緣檢測
- 7.4.2 拉普拉斯邊緣檢測
- 7.4.1 Soble邊緣檢測
- 7.4 邊緣檢測算法
- 7.3.2 行為識別
- 7.3.1 人臉檢索
- 7.3 目標檢測在智能安防領域的應用
- 7.2.6 自動泊車
- 7.2.5 駕駛員疲勞監測預警
- 7.2.4 行人防碰撞預警系統
- 7.2.3 交通標志識別
- 7.2.2 前向防碰撞預警
- 7.2.1 車道偏離預警
- 7.2 目標檢測在智能駕駛領域的應用
- 7.1 目標檢測的概念
- 第7章 對抗樣本在目標檢測領域的應用
- 6.8 本章小結
- 6.7 針對MNIST生成通用對抗樣本
- 6.6 通用對抗樣本
- 6.5 遷移學習攻擊算法
- 6.4 本地搜索攻擊ResNet模型
- 6.3 本地搜索攻擊算法
- 6.2 單像素攻擊MNIST識別模型
- 6.1 單像素攻擊算法
- 第6章 黑盒攻擊算法
- 5.8 本章小結
- 5.7.3 使用PyTorch實現CW
- 5.7.2 使用TensorFlow實現CW
- 5.7.1 CW基本原理
- 5.7 CW算法
- 5.6.3 使用TensorFlow實現JSMA
- 5.6.2 使用PyTorch實現JSMA
- 5.6.1 JSMA基本原理
- 5.6 JSMA算法
- 5.5.3 使用TensorFlow實現DeepFool
- 5.5.2 使用PyTorch實現DeepFool
- 5.5.1 DeepFool基本原理
- 5.5 DeepFool算法
- 5.4.3 使用TensorFlow實現FGM
- 5.4.2 使用PyTorch實現FGM
- 5.4.1 FGM/FGSM基本原理
- 5.4 FGM/FGSM算法
- 5.3 基于梯度的對抗樣本生成算法
- 5.2.5 使用TensorFlow生成對抗樣本
- 5.2.1 使用PyTorch生成對抗樣本
- 5.2 基于優化的對抗樣本生成算法
- 5.1 對抗樣本的基本原理
- 第5章 白盒攻擊算法
- 4.4 本章小結
- 4.3.5 高斯雙邊濾波
- 4.3.4 高斯濾波
- 4.3.3 均值濾波
- 4.3.2 中值濾波
- 4.3.1 高斯噪聲和椒鹽噪聲
- 4.3 圖像去噪
- 4.2.7 亮度與對比度
- 4.2.6 圖像翻轉
- 4.2.5 圖像剪切
- 4.2.4 圖像平移
- 4.2.3 圖像旋轉
- 4.2.2 圖像縮放
- 4.2.1 仿射變換
- 4.2 圖像轉換
- 4.1.5 PNG格式
- 4.1.4 GIF格式
- 4.1.3 JPEG格式
- 4.1.2 BMP格式
- 4.1.1 通道數與像素深度
- 4.1 圖像格式
- 第4章 圖像處理基礎知識
- 3.7 本章小結
- 3.6 使用預訓練模型
- 3.5 MXNet
- 3.4 PyTorch
- 3.3 Keras
- 3.2 TensorFlow
- 3.1 張量與計算圖
- 第3章 常見深度學習平臺簡介
- 2.11 本章小結
- 2.10 GPU服務器
- 2.9 AdvBox
- 2.8 PaddlePaddle
- 2.7 PyTorch
- 2.6 Keras
- 2.5 TensorFlow
- 2.4 Jupyter notebook
- 2.3 Python更新源
- 2.2 APT更新源
- 2.1 Anaconda
- 第2章 打造對抗樣本工具箱
- 1.6 本章小結
- 1.5.2 Bagging算法
- 1.5.1 Boosting算法
- 1.5 集成學習
- 1.4.5 ROC與AUC
- 1.4.4 準確度與F1-Score
- 1.4.3 準確率與召回率
- 1.4.2 混淆矩陣
- 1.4.1 測試數據
- 1.4 常見性能衡量指標
- 1.3.9 可視化CNN
- 1.3.8 InceptionV3
- 1.3.7 ResNet50
- 1.3.6 VGG的結構
- 1.3.5 AlexNet的結構
- 1.3.4 典型的CNN結構
- 1.3.3 池化
- 1.3.2 參數共享
- 1.3.1 局部連接
- 1.3 基于CNN的圖像分類
- 1.2 傳統的圖像分類算法
- 1.1.5 范數
- 1.1.4 反向傳遞與優化器
- 1.1.3 定義損失函數
- 1.1.2 定義網絡結構
- 1.1.1 數據預處理
- 1.1 深度學習的基本過程及相關概念
- 第1章 深度學習基礎知識
- 前言
- 自序
- 序二
- 序一
- 對本書的贊譽
- 版權信息
- 封面
- 封面
- 版權信息
- 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 深度學習的基本過程及相關概念
- 1.1.1 數據預處理
- 1.1.2 定義網絡結構
- 1.1.3 定義損失函數
- 1.1.4 反向傳遞與優化器
- 1.1.5 范數
- 1.2 傳統的圖像分類算法
- 1.3 基于CNN的圖像分類
- 1.3.1 局部連接
- 1.3.2 參數共享
- 1.3.3 池化
- 1.3.4 典型的CNN結構
- 1.3.5 AlexNet的結構
- 1.3.6 VGG的結構
- 1.3.7 ResNet50
- 1.3.8 InceptionV3
- 1.3.9 可視化CNN
- 1.4 常見性能衡量指標
- 1.4.1 測試數據
- 1.4.2 混淆矩陣
- 1.4.3 準確率與召回率
- 1.4.4 準確度與F1-Score
- 1.4.5 ROC與AUC
- 1.5 集成學習
- 1.5.1 Boosting算法
- 1.5.2 Bagging算法
- 1.6 本章小結
- 第2章 打造對抗樣本工具箱
- 2.1 Anaconda
- 2.2 APT更新源
- 2.3 Python更新源
- 2.4 Jupyter notebook
- 2.5 TensorFlow
- 2.6 Keras
- 2.7 PyTorch
- 2.8 PaddlePaddle
- 2.9 AdvBox
- 2.10 GPU服務器
- 2.11 本章小結
- 第3章 常見深度學習平臺簡介
- 3.1 張量與計算圖
- 3.2 TensorFlow
- 3.3 Keras
- 3.4 PyTorch
- 3.5 MXNet
- 3.6 使用預訓練模型
- 3.7 本章小結
- 第4章 圖像處理基礎知識
- 4.1 圖像格式
- 4.1.1 通道數與像素深度
- 4.1.2 BMP格式
- 4.1.3 JPEG格式
- 4.1.4 GIF格式
- 4.1.5 PNG格式
- 4.2 圖像轉換
- 4.2.1 仿射變換
- 4.2.2 圖像縮放
- 4.2.3 圖像旋轉
- 4.2.4 圖像平移
- 4.2.5 圖像剪切
- 4.2.6 圖像翻轉
- 4.2.7 亮度與對比度
- 4.3 圖像去噪
- 4.3.1 高斯噪聲和椒鹽噪聲
- 4.3.2 中值濾波
- 4.3.3 均值濾波
- 4.3.4 高斯濾波
- 4.3.5 高斯雙邊濾波
- 4.4 本章小結
- 第5章 白盒攻擊算法
- 5.1 對抗樣本的基本原理
- 5.2 基于優化的對抗樣本生成算法
- 5.2.1 使用PyTorch生成對抗樣本
- 5.2.5 使用TensorFlow生成對抗樣本
- 5.3 基于梯度的對抗樣本生成算法
- 5.4 FGM/FGSM算法
- 5.4.1 FGM/FGSM基本原理
- 5.4.2 使用PyTorch實現FGM
- 5.4.3 使用TensorFlow實現FGM
- 5.5 DeepFool算法
- 5.5.1 DeepFool基本原理
- 5.5.2 使用PyTorch實現DeepFool
- 5.5.3 使用TensorFlow實現DeepFool
- 5.6 JSMA算法
- 5.6.1 JSMA基本原理
- 5.6.2 使用PyTorch實現JSMA
- 5.6.3 使用TensorFlow實現JSMA
- 5.7 CW算法
- 5.7.1 CW基本原理
- 5.7.2 使用TensorFlow實現CW
- 5.7.3 使用PyTorch實現CW
- 5.8 本章小結
- 第6章 黑盒攻擊算法
- 6.1 單像素攻擊算法
- 6.2 單像素攻擊MNIST識別模型
- 6.3 本地搜索攻擊算法
- 6.4 本地搜索攻擊ResNet模型
- 6.5 遷移學習攻擊算法
- 6.6 通用對抗樣本
- 6.7 針對MNIST生成通用對抗樣本
- 6.8 本章小結
- 第7章 對抗樣本在目標檢測領域的應用
- 7.1 目標檢測的概念
- 7.2 目標檢測在智能駕駛領域的應用
- 7.2.1 車道偏離預警
- 7.2.2 前向防碰撞預警
- 7.2.3 交通標志識別
- 7.2.4 行人防碰撞預警系統
- 7.2.5 駕駛員疲勞監測預警
- 7.2.6 自動泊車
- 7.3 目標檢測在智能安防領域的應用
- 7.3.1 人臉檢索
- 7.3.2 行為識別
- 7.4 邊緣檢測算法
- 7.4.1 Soble邊緣檢測
- 7.4.2 拉普拉斯邊緣檢測
- 7.4.3 Canny邊緣檢測
- 7.5 直線檢測算法
- 7.6 圓形檢測算法
- 7.7 RCNN系列算法
- 7.7.1 RCNN
- 7.7.2 Fast RCNN
- 7.7.3 Faster RCNN
- 7.7.4 TensorFlow目標檢測庫
- 7.7.5 Faster RCNN使用示例
- 7.8 YOLO算法
- 7.8.1 YOLO概述
- 7.8.2 YOLO使用示例
- 7.9 SSD算法
- 7.9.1 SSD概述
- 7.9.2 SSD使用示例
- 7.10 白盒攻擊Faster RCNN
- 7.11 物理攻擊YOLO概述
- 7.12 本章小結
- 第8章 對抗樣本常見防御算法
- 8.1 對抗樣本的魯棒性
- 8.1.1 圖像旋轉對魯棒性的影響
- 8.1.2 濾波器對魯棒性的影響
- 8.1.3 對比度和亮度對魯棒性的影響
- 8.1.4 噪聲對魯棒性的影響
- 8.2 抵御對抗樣本攻擊的常見方法
- 8.2.1 圖像預處理
- 8.2.2 對抗訓練
- 8.2.3 高斯數據增強
- 8.2.4 自編碼器去噪
- 8.2.5 ICLR 2018提出的對抗樣本抵御方法
- 8.3 本章小結
- 第9章 常見對抗樣本工具箱簡介
- 9.1 對抗樣本常見衡量指標
- 9.1.1 l0范數
- 9.1.2 l2范數
- 9.1.3 linf范數
- 9.2 AdvBox
- 9.2.1 AdvBox簡介
- 9.2.2 在AdvBox中使用FGSM算法
- 9.2.3 在AdvBox中使用DeepFool算法
- 9.2.4 在AdvBox中使用黑盒攻擊算法
- 9.3 ART
- 9.3.1 ART簡介
- 9.3.2 在ART中使用FGSM算法
- 9.3.3 ART下使用CW算法
- 9.4 FoolBox
- 9.4.1 FoolBox簡介
- 9.4.2 在FoolBox中使用JSMA算法
- 9.4.3 在FoolBox中使用CW算法
- 9.5 Cleverhans
- 9.5.1 Cleverhans簡介
- 9.5.2 在Cleverhans中使用FGSM算法
- 9.5.3 在Cleverhans中進行對抗訓練
- 9.6 NIPS對抗攻擊防御環境搭建
- 9.6.1 NIPS對抗攻擊防御賽簡介
- 9.6.2 環境搭建方法
- 9.6.3 運行測試代碼
- 9.7 輕量級攻防對抗環境robust-ml
- 9.7.1 robust-ml簡介
- 9.7.2 運行測試代碼
- 9.8 本章小結 更新時間：2019-07-11 18:32:58
