| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景以及意义 | 第10-11页 |
| 1.2 人脸识别技术综述 | 第11-14页 |
| 1.2.1 人脸识别发展历史 | 第11页 |
| 1.2.2 人脸识别的研究现状 | 第11-14页 |
| 1.3 人脸识别目前的困难与挑战 | 第14页 |
| 1.4 本文的研究内容及安排 | 第14-15页 |
| 1.5 小结 | 第15-16页 |
| 第2章 卷积神经网络的算法与理论 | 第16-27页 |
| 2.1 卷积神经网络的提出 | 第16-18页 |
| 2.1.1 卷积神经网络的提出背景 | 第16-17页 |
| 2.1.2 卷积神经网络的意义 | 第17-18页 |
| 2.2 卷积神经网络的基本操作 | 第18-20页 |
| 2.3 前向传导与BP算法 | 第20-21页 |
| 2.4 CNN的参数构成以及相关技术 | 第21-23页 |
| 2.4.1 CNN的参数构成 | 第21-22页 |
| 2.4.2 CNN的两个重要技术Dropout和ReLU | 第22-23页 |
| 2.5 卷积神经网络的概率理论 | 第23-26页 |
| 2.5.1 渲染模型Rendering Model | 第23-24页 |
| 2.5.2 渲染模型与卷积神经网络的对应理论 | 第24-26页 |
| 2.6 小结 | 第26-27页 |
| 第3章 Joint Bayesian人脸特征分类器 | 第27-33页 |
| 3.1 Joint Bayesian分类器的提出背景 | 第27-28页 |
| 3.2 Joint Bayesian分类器的理论分析与算法 | 第28-31页 |
| 3.2.1 Joint Bayesian的直观解释与理论分析 | 第28-30页 |
| 3.2.2 EM算法求解Joint Bayesian参数 | 第30-31页 |
| 3.3 小结 | 第31-33页 |
| 第4章 多级卷积神经网络MS-CNN算法 | 第33-43页 |
| 4.1 多级卷积神经网络MS-CNN的提出 | 第33-37页 |
| 4.2 多级卷积神经网络MS-CNN算法分析 | 第37-42页 |
| 4.2.1 MS-CNN的网络架构分析 | 第37-41页 |
| 4.2.2 损失函数的设计与分析 | 第41-42页 |
| 4.3 小结 | 第42-43页 |
| 第5章 算法实现与结果分析 | 第43-52页 |
| 5.1 人脸识别框架 | 第43-44页 |
| 5.2 样本准备 | 第44-45页 |
| 5.3 MS-CNN与Joint Bayesian的训练实验的介绍 | 第45-47页 |
| 5.3.1 MS-CNN训练 | 第45-46页 |
| 5.3.2 Joint Bayesian训练 | 第46-47页 |
| 5.4 实验结果分析与算法改进 | 第47-51页 |
| 5.4.1 实验结果分析与对比 | 第47-49页 |
| 5.4.2 改进的MS-CNN与Joint Bayesian融合 | 第49-51页 |
| 5.5 小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 本文工作总结 | 第52-53页 |
| 6.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间完成的专利与文章 | 第58页 |
