全部章节
- 对本书的赞誉
- 序一
- 序二
- 自序
- 前言
- 1.1.1 数据预处理
- 1.1.2 定义网络结构
- 1.1.3 定义损失函数
- 1.1.4 反向传递与优化器
- 1.1.5 范数
- 1.2 传统的图像分类算法
- 1.3.1 局部连接
- 1.3.2 参数共享
- 1.3.3 池化
- 1.3.4 典型的CNN结构
- 1.3.5 AlexNet的结构
- 1.3.6 VGG的结构
- 1.3.7 ResNet50
- 1.3.8 InceptionV3
- 1.3.9 可视化CNN
- 1.4.1 测试数据
- 1.4.2 混淆矩阵
- 1.4.3 准确率与召回率
- 1.4.4 准确度与F1-Score
- 1.4.5 ROC与AUC
- 1.5.1 Boosting算法
- 1.5.2 Bagging算法
- 1.6 本章小结
- 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服务器
- 2.11 本章小结
- 3.1 张量与计算图
- 3.2 TensorFlow
- 3.3 Keras
- 3.4 PyTorch
- 3.5 MXNet
- 3.6 使用预训练模型
- 3.7 本章小结
- 4.1.1 通道数与像素深度
- 4.1.2 BMP格式
- 4.1.3 JPEG格式
- 4.1.4 GIF格式
- 4.1.5 PNG格式
- 4.2.1 仿射变换
- 4.2.2 图像缩放
- 4.2.3 图像旋转
- 4.2.4 图像平移
- 4.2.5 图像剪切
- 4.2.6 图像翻转
- 4.2.7 亮度与对比度
- 4.3.1 高斯噪声和椒盐噪声
- 4.3.2 中值滤波
- 4.3.3 均值滤波
- 4.3.4 高斯滤波
- 4.3.5 高斯双边滤波
- 4.4 本章小结
- 5.1 对抗样本的基本原理
- 5.2.1 使用PyTorch生成对抗样本
- 5.2.5 使用TensorFlow生成对抗样本
- 5.3 基于梯度的对抗样本生成算法
- 5.4.1 FGM/FGSM基本原理
- 5.4.2 使用PyTorch实现FGM
- 5.4.3 使用TensorFlow实现FGM
- 5.5.1 DeepFool基本原理
- 5.5.2 使用PyTorch实现DeepFool
- 5.5.3 使用TensorFlow实现DeepFool
- 5.6.1 JSMA基本原理
- 5.6.2 使用PyTorch实现JSMA
- 5.6.3 使用TensorFlow实现JSMA
- 5.7.1 CW基本原理
- 5.7.2 使用TensorFlow实现CW
- 5.7.3 使用PyTorch实现CW
- 5.8 本章小结
- 6.1 单像素攻击算法
- 6.2 单像素攻击MNIST识别模型
- 6.3 本地搜索攻击算法
- 6.4 本地搜索攻击ResNet模型
- 6.5 迁移学习攻击算法
- 6.6 通用对抗样本
- 6.7 针对MNIST生成通用对抗样本
- 6.8 本章小结
- 7.1 目标检测的概念
- 7.2.1 车道偏离预警
- 7.2.2 前向防碰撞预警
- 7.2.3 交通标志识别
- 7.2.4 行人防碰撞预警系统
- 7.2.5 驾驶员疲劳监测预警
- 7.2.6 自动泊车
- 7.3.1 人脸检索
- 7.3.2 行为识别
- 7.4.1 Soble边缘检测
- 7.4.2 拉普拉斯边缘检测
- 7.4.3 Canny边缘检测
- 7.5 直线检测算法
- 7.6 圆形检测算法
- 7.7.1 RCNN
- 7.7.2 Fast RCNN
- 7.7.3 Faster RCNN
- 7.7.4 TensorFlow目标检测库
- 7.7.5 Faster RCNN使用示例
- 7.8.1 YOLO概述
- 7.8.2 YOLO使用示例
- 7.9.1 SSD概述
- 7.9.2 SSD使用示例
- 7.10 白盒攻击Faster RCNN
- 7.11 物理攻击YOLO概述
- 7.12 本章小结
- 8.1.1 图像旋转对鲁棒性的影响
- 8.1.2 滤波器对鲁棒性的影响
- 8.1.3 对比度和亮度对鲁棒性的影响
- 8.1.4 噪声对鲁棒性的影响
- 8.2.1 图像预处理
- 8.2.2 对抗训练
- 8.2.3 高斯数据增强
- 8.2.4 自编码器去噪
- 8.2.5 ICLR 2018提出的对抗样本抵御方法
- 8.3 本章小结
- 9.1.1 l0范数
- 9.1.2 l2范数
- 9.1.3 linf范数
- 9.2.1 AdvBox简介
- 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中使用黑盒攻击算法
- 9.3.1 ART简介
- 9.3.2 在ART中使用FGSM算法
- 9.3.3 ART下使用CW算法
- 9.4.1 FoolBox简介
- 9.4.2 在FoolBox中使用JSMA算法
- 9.4.3 在FoolBox中使用CW算法
- 9.5.1 Cleverhans简介
- 9.5.2 在Cleverhans中使用FGSM算法
- 9.5.3 在Cleverhans中进行对抗训练
- 9.6.1 NIPS对抗攻击防御赛简介
- 9.6.2 环境搭建方法
- 9.6.3 运行测试代码
- 9.7.1 robust-ml简介
- 9.7.2 运行测试代码
- 9.8 本章小结
