深度学习中的图像分类与对抗技术

本书以深度学习中的图像分类和对抗技术为切入点，通过介绍深度学习的基本知识、神经网络模型、图像分类对抗环境和对抗样本评价标准，来说明对抗样本产生的基本原理；通过描述对抗样本生成过程实例，以及三种典型的图像分类对抗算法详解，来介绍对抗样本的本质和优化过程。本书适合高年级本科生、研究生以及对图像分类中的对抗技术感兴趣的研究人员参考。

随着计算机技术的飞速发展，人工智能已经渗入人们的日常生活，且在图像分类、目标识别、自然语言处理等领域显示了良好的效果和前景。但是，人工智能及其分支技术有一些特定的脆弱性，在某些场景下容易受到欺骗和攻击，若不对此采取一定措施，就有可能造成严重的后果。本书通过介绍针对图像分类的对抗技术，描述了深度神经网络被欺骗的过程，以此引出了对其脆弱性的一般攻击手段，期望能反向促进机器学习、深度学习、神经网络等领域的健康发展。 本书适合高年级本科生、研究生以及对图像分类中的对抗技术感兴趣的研究人员参考。

张全新，男，1974年生，北京理工大学博士，中科院博士后，美国康涅狄格大学访问学者。主要研究领域为信息安全，机器学习。现任职于北京理工大学计算机学院。至今已在Information Sciences，Journal of Network and Computer Applications等期刊上发表论文10余篇。以发明人获得国家发明授权3项。获得总参谋部科技进步三等奖一项，工业与信息化部科技进步三等奖一项，省级很好教材三等奖一项，校级研究生教育教学成果奖一项。主持国家自然科学基金面上项目等重量项目多项。

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 第3章  图像分类对抗概述 3.1  深度神经网络的脆弱性 3.2  对抗目标环境及对抗效果类型 3.3  主要评价标准 3.4  对抗样本生成过程实例 3.5  智能防御 第4章  三种图像分类对抗方法详解 4.1  基于梯度计算的对抗方法 4.1.1  数据集和相关工具 4.1.2  实验目的 4.1.3  方案概述 4.1.4  实验验证 4.1.5  算法改进 4.2  基于粒子群优化的对抗方法 4.2.1  粒子群优化算法的思想 4.2.2  粒子群优化算法的流程 4.2.3  图像的相似性度量 4.2.4  基于PSO的目标攻击方案设计 4.2.5  实验与结果分析 4.3  基于CMA的黑盒攻击方案设计 4.3.1  问题提出 4.3.2  基于CMA的对抗样本生成方法 4.3.3  方案设计 4.3.4  主要数据结构及算法实现 4.3.5  实验原理验证 4.3.6  算法评价 参考文献