基於深度學習的病毒檢測技術無需沙箱環境，直接將樣本文件轉換為二維圖片，進而應用改造後的卷積神經網絡 Inception V4 進行訓練和檢測
話題 3: 基於深度學習的二進制惡意樣本檢測
分享主題：全球正在經歷一場由科技驅動的數字化轉型，傳統技術已經不能適應病毒數量飛速增長的發展態勢。而基於沙箱的檢測方案無法滿足 APT 攻擊的檢測需求，也受到多種反沙箱技術的幹擾。在充分考察過各種技術方案的優劣後，瀚思科技開發出了基於深度學習的二進制病毒樣本檢測技術，可以做到沙箱同等水平的 99% 的檢測準確率，而誤報率低於 1/1000。基於深度學習的病毒檢測技術無需沙箱環境，直接將樣本文件轉換為二維圖片，進而應用改造後的卷積神經網絡 Inception V4 進行訓練和檢測。極大的簡化了病毒檢測流程，速度更是遠超沙箱技術，可以做到日均百萬樣本的檢測量。由於深度學習是自動抽取數千萬樣本的海量特征，使得我們的深度學習模型具有極強的通用性，即使數月不更新，也能做到大於 90% 的檢測率。
瀚思的安全產品做的。
基於深度學習的病毒檢測技術無需沙箱環境，直接將樣本文件轉換為二維圖片，進而應用改造後的卷積神經網絡 Inception V4 進行訓練和檢測
相關推薦
基於深度學習的病毒檢測技術無需沙箱環境，直接將樣本文件轉換為二維圖片，進而應用改造後的卷積神經網絡 Inception V4 進行訓練和檢測
進制 思科 開發 主題 需求 做的 病毒 無法 大於 話題 3: 基於深度學習的二進制惡意樣本檢測 分享主題：全球正在經歷一場由科技驅動的數字化轉型，傳統技術已經不能適應病毒數量飛速增長的發展態勢。而基於沙箱的檢測方案無法滿足 APT 攻擊的檢測需求，也受到多種反沙箱技術的
吳恩達【深度學習工程師】 04.卷積神經網絡 第三周目標檢測 （1）基本的對象檢測算法
元素 需要 有關 卷積 訓練 特定 步長 來看 選擇 該筆記介紹的是《卷積神經網絡》系列第三周：目標檢測（1）基本的對象檢測算法 主要內容有： 1.目標定位 2.特征點檢測 3.目標檢測 目標定位 使用算法判斷圖片中是不是目標物體，如果是還要再圖片中標出其位置並
DeepLearning.ai學習筆記（四）卷積神經網絡 -- week2深度卷積神經網絡 實例探究
過濾 common 經典 上一個 問題 inline 最壞情況 ali method 一、為什麽要進行實例探究？ 通過他人的實例可以更好的理解如何構建卷積神經網絡，本周課程主要會介紹如下網絡 LeNet-5 AlexNet VGG ResNet (有152層) Incep
深度學習——卷積神經網絡 的經典網絡（LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet）
足夠 論文 ogl 相關性 spa 原因 線性 pad fan 一、CNN卷積神經網絡的經典網絡綜述 下面圖片參照博客：http://blog.csdn.net/cyh_24/article/details/51440344 二、LeNet-5網絡
深度學習之 TensorFlow（四）：卷積神經網絡
padding valid 叠代 val 分析 此外 nbsp drop BE 基礎概念： 卷積神經網絡（CNN）：屬於人工神經網絡的一種，它的權值共享的網絡結構顯著降低了模型的復雜度，減少了權值的數量。卷積神經網絡不像傳統的識別算法一樣，需要對數據進行特征提取和數據重
吳恩達《深度學習》第四門課（1）卷積神經網絡
圖像分割 1.5 共享 信號處理 soft 沒有 樣本 填充 單元 1.1計算機視覺 （1）計算機視覺的應用包括圖像分類、目標檢測、圖像分割、風格遷移等，下圖展示了風格遷移案例： （2）圖像的特征量非常之大，比如一個3通道的1000*1000的照片，其特征為3*1000*
吳恩達《深度學習》第四門課（2）卷積神經網絡：實例探究
之一 所有 展示 數據擴充 簡介 設置 假設 通道 開源 2.1為什麽要進行實例探究 （1）就跟學編程一樣，先看看別人怎麽寫的，可以模仿。 （2）在計算機視覺中一個有用的模型，，用在另一個業務中也一般有效，所以可以借鑒。 （3）本周會介紹的一些卷積方面的經典網絡經典的包括：
TensorFlow深度學習實戰---圖像識別與卷積神經網絡
實戰 都是 循環 特征 結構 分析 神經網絡 圖片 網絡 全連接層網絡結構：神經網絡每兩層之間的所有結點都是有邊相連的。 卷積神經網絡：1.輸入層 2.卷積層：將神經網絡中的每一個小塊進行更加深入地分析從而得到抽象程度更高的特征。
卷積神經網絡（4）----目標檢測
使用 定義 fmt 應該 否則 vdh lan blog 檢測 一、分類、定位和檢測 簡單來說，分類、定位和檢測的區別如下： 分類：是什麽？ 定位：在哪裏？是什麽？（單個目標） 檢測：在哪裏？分別是什麽？（多個目標） (1)目標分類
分享《解析卷積神經網絡深度學習實踐手冊》+PDF+魏秀參
baidu water blog 卷積 png ESS pdf text 解析 下載：https://pan.baidu.com/s/1PIFgdKULw_dWtJAvoTHFJA 更多資料學習：http://blog.51cto.com/14087171 版權說明：本人無
TensorFlow+實戰Google深度學習框架學習筆記（13）------Mnist識別和卷積神經網絡AlexNet
net dev adding 筆記 learn 明顯 lex test info 一、AlexNet：共8層：5個卷積層（卷積+池化）、3個全連接層，輸出到softmax層，產生分類。 論文中lrn層推薦的參數：depth_radius = 4，bias = 1.0 ,
深度學習入門|第七章 卷積神經網絡（三）
soft 有序字典 layer .py 復雜 高效 fin predict cal 前言 本文為學習《深度學習入門》一書的學習筆記，詳情請閱讀原著 五、CNN的實現 搭建進行手寫數字識別的 CNN。這裏要實現如圖 7-23 所示的 CNN。 圖 7-23 簡單
學習筆記TF057:TensorFlow MNIST，卷積神經網絡、循環神經網絡、無監督學習
back ide str 描述 com 類別 bat softmax 比例 MNIST 卷積神經網絡。https://github.com/nlintz/TensorFlow-Tutorials/blob/master/05_convolutional_net.py 。Te
吳恩達 DeepLearning.ai 課程提煉筆記（4-2）卷積神經網絡 --- 深度卷積模型
mes and shift abd actual 應用 比賽 特征 通道 1. 經典的卷積網絡 介紹幾種經典的卷積神經網絡結構，分別是LeNet、AlexNet、VGGNet。 LeNet-5： LeNet-5主要是針對灰度設計的，所以其輸入較小，為 ，其結構如下：
DeepLearning.ai學習筆記（四）卷積神經網絡 -- week1 卷積神經網絡基礎知識介紹
除了 lock 還需要 情況 好處 計算公式 max 位置 網絡基礎 一、計算機視覺 如圖示，之前課程中介紹的都是64* 64 3的圖像，而一旦圖像質量增加，例如變成1000 1000 * 3的時候那麽此時的神經網絡的計算量會巨大，顯然這不現實。所以需要引入其他的方法來
卷積神經網絡系列之softmax，softmax loss和cross entropy的講解
caff 這一 卷積神經網絡 bsp rop 技術分享 有一個 技術 位置 我們知道卷積神經網絡（CNN）在圖像領域的應用已經非常廣泛了，一般一個CNN網絡主要包含卷積層，池化層（pooling），全連接層，損失層等。雖然現在已經開源了很多深度學習框架（比如MxNet，Ca
騰訊技術工程 | 騰訊 AI Lab 11篇論文精選：圖像描述、NMT 模型、圖卷積神經網絡等
騰訊 AI 論文 背景：AAAI 2018 將於2月2日至 7日在美國新奧爾良舉行，在本屆大會上，騰訊 AI Lab 有 11 篇論文被錄用，涉及圖像描述、更低計算成本的預測表現、NMT 模型中的特定翻譯問題、自適應圖卷積神經網絡、DNN面對對抗樣本的優化問題等，本文精選了11篇論文的精彩內容。（
卷積神經網絡學習筆記與心得（4）池化
設計者 位置 浪費 需要 三種 限制 右移 理論 alt 圖片經過卷積、激活後的結果一般帶有大量原圖信息。 上圖中卷積核提取的是豎直方向上的連續像素，但是，被增強的像素只占了結果的1/3，對於多層網絡，其余重要性較低的信息也被傳入了下一層網絡，造成了不必要的浪費，因此需要
CNN卷積神經網絡學習
減少 cti rec 可能 步長 nal inpu mar first CNN產生的起因是為了減少神經元數目並減少計算量 卷積神經網絡的結構一般包含 輸入層 input layer : 用於數據的輸入 卷積層 convolutional layer : 使用卷積核進行特
卷積神經網絡（CNN）的訓練過程
假設 特征向量 left 傳遞 方法 輸出 1.3 組成 初始化 卷積神經網絡的訓練過程 卷積神經網絡的訓練過程分為兩個階段。第一個階段是數據由低層次向高層次傳播的階段，即前向傳播階段。另外一個階段是，當前向傳播得出的結果與預期不相符時，將誤差從高層次向底層次進行傳播訓練的