| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 基于深度学习的图像特征提取 | 第13-15页 |
| 1.2.2 提高特征判别力的训练方法 | 第15-16页 |
| 1.2.3 增强对抗鲁棒性的训练方式 | 第16-17页 |
| 1.2.4 基于分类器的对抗鲁棒性评估指标 | 第17页 |
| 1.2.5 存在的问题 | 第17-18页 |
| 1.3 本文的主要研究内容与结构 | 第18-20页 |
| 1.3.1 本文的主要研究内容 | 第18-19页 |
| 1.3.2 本文的组织结构 | 第19-20页 |
| 1.4 符号定义 | 第20-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第二章 相关研究 | 第23-32页 |
| 2.1 变分自编码器与信息瓶颈模型 | 第23-27页 |
| 2.1.1 变分自编码器 | 第23-25页 |
| 2.1.2 深度变分信息瓶颈模型 | 第25-27页 |
| 2.2 提高深度特征提取的特征判别力 | 第27-30页 |
| 2.2.1 基于数据筛选重组训练方法 | 第27-28页 |
| 2.2.2 基于深度分类器训练方法 | 第28-30页 |
| 2.3 基于标签空间的L_2对抗攻击 | 第30-31页 |
| 2.3.1 Box-constrained L-BFGS攻击 | 第30页 |
| 2.3.2 Carlini L_2攻击 | 第30-31页 |
| 2.4 FGS对抗训练正则化 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 特征空间的对抗攻击及对抗鲁棒性评估指标 | 第32-38页 |
| 3.1 特征空间的L_2对抗攻击 | 第32-36页 |
| 3.1.1 目标函数定义 | 第32-33页 |
| 3.1.2 不等式约束置换 | 第33-34页 |
| 3.1.3 箱约束置换 | 第34页 |
| 3.1.4 算法流程 | 第34-36页 |
| 3.2 对称的对抗鲁棒性评估指标 | 第36-37页 |
| 3.2.1 最小误分类L_2距离失真 | 第36页 |
| 3.2.2 对称对抗鲁棒性评估指标 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 变分球面投影模型 | 第38-48页 |
| 4.1 模型原理 | 第38-42页 |
| 4.2 变分参数编码 | 第42-43页 |
| 4.3 均值参数缩放 | 第43页 |
| 4.4 小超球面采样 | 第43-44页 |
| 4.4.1 单位球面均匀采样 | 第43-44页 |
| 4.4.2 采样重参数化 | 第44页 |
| 4.5 损失函数 | 第44-45页 |
| 4.6 模型训练 | 第45-47页 |
| 4.6.1 L_2对抗训练正则化 | 第45-46页 |
| 4.6.2 算法流程 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第五章 实验 | 第48-66页 |
| 5.1 MNIST数据集对比实验及分析 | 第48-57页 |
| 5.1.1 模型参数设置 | 第48-50页 |
| 5.1.2 特征可视化 | 第50-51页 |
| 5.1.3 超参数Β, S, ε分析 | 第51-55页 |
| 5.1.4 L_2对抗鲁棒性和特征判别力对比实验 | 第55-57页 |
| 5.2 人脸数据集CASIA-Web Face/LFW对比实验及分析 | 第57-64页 |
| 5.2.1 数据预处理 | 第57页 |
| 5.2.2 模型参数设置 | 第57-58页 |
| 5.2.3 L_2对抗鲁棒性对比实验 | 第58-60页 |
| 5.2.4 对抗样本可视化 | 第60-63页 |
| 5.2.5 特征判别力对比实验 | 第63-64页 |
| 5.3 实验结论 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |