同類熱銷排行榜

基於深度學習的圖像分類與對抗技術(精)/深度學習安全對抗叢書

作者：張全新//譚冬黎//王亞傑//高一軒|責編:李穎穎|總主編:祝烈煌
出版社：北京理工大學
ISBN：9787576351101

出版日期：2025/02/01
裝幀：精裝
頁數：189

人民幣：RMB 53 元售價：元

內容大鋼

隨著電腦技術的飛速發展，人工智慧已經深人人們的日常生活。其中深度學習在圖像分類、目標檢測、自然語言處理等領域取得了良好的效果。但是，深度學習及其分支技術具有一些內在的脆弱性，在某些場景下容易受到對抗樣本的欺騙和攻擊，會引發嚴重後果。若不能了解其中的原因和機理，就不能進行有效防禦。本書通過介紹針對圖像分類模型的對抗技術，描述了面向深度神經網路的攻擊效果，以此闡述對其脆弱性進行剖析的技術方法，期望能反向促進深度學習及人工智慧領域的健康發展。
本書適合相關專業高年級本科生、研究生以及對圖像分類中的對抗技術感興趣的研究人員作為參考用書。

作者介紹

張全新//譚冬黎//王亞傑//高一軒|責編:李穎穎|總主編:祝烈煌

第1章  深度學習中的圖像分類技術概述
  1.1  深度學習的主要特點及應用領域
  1.2  圖像分類的發展歷程
第2章  面向圖像分類的主要神經網路模型
  2.1  神經網路層次
  2.2  神經網路模型
  2.3  深度學習模型
第3章  圖像分類與目標檢測的應用
  3.1  圖像分類
    3.1.1  技術原理
    3.1.2  應用領域
  3.2  目標檢測
    3.2.1  技術原理
    3.2.2  應用領域
  3.3  總結
第4章  圖像分類對抗概述
  4.1  深度神經網路的脆弱性
  4.2  對抗目標環境及對抗效果類型
  4.3  主要評價標準
  4.4  主要圖像數據集
  4.5  智能防禦
第5章  五種圖像分類對抗方法詳解
  5.1  基於梯度計算的對抗方法
    5.1.1  攻擊目標的特性
    5.1.2  基於梯度的白盒攻擊演算法
    5.1.3  方案概述
    5.1.4  測試驗證
    5.1.5  演算法改進
  5.2  基於FIA演算法的對抗方法
    5.2.1  FIA演算法基本原理
    5.2.2  YOLO v3模型結構分析
    5.2.3  針對YOLO v3模型的優化函數設計
    5.2.4  基於查詢的超參數優化機制
    5.2.5  方案概述
    5.2.6  驗證測試
  5.3  基於解碼器自集成的對抗方法
    5.3.1  檢測自注意力模型的結構分析
    5.3.2  DSEA方法
    5.3.3  實驗設置
    5.3.4  白盒攻擊檢測自注意力模型
    5.3.5  黑盒攻擊基於自注意力網路的目標檢測模型
  5.4  基於目標特徵增強的對抗方法
    5.4.1  圖像數據增強
    5.4.2  目標特徵增強的對抗樣本生成方法設計
    5.4.3  實驗設置
    5.4.4  針對黑盒的對抗效果評估
    5.4.5  優勢分析與性能對比
  5.5  基於頻率敏感性的對抗方法
    5.5.1  頻率敏感性與對抗擾動生成機制
    5.5.2  基於頻率敏感性的對抗樣本生成

    5.5.3  實驗評估與分析
參考文獻
索引

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

基於深度學習的圖像分類與對抗技術(精)/深度學習安全對抗叢書