基于深度学习特征提取的人脸认证算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 缩略词 | 第6-10页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 人脸识别概述 | 第14-21页 |
| 1.3.1 人脸识别的研究内容 | 第14-16页 |
| 1.3.2 人脸识别与人脸认证性能评价指标 | 第16-19页 |
| 1.3.3 人脸识别的特点与难点 | 第19-21页 |
| 1.4 论文结构与主要内容 | 第21-22页 |
| 第二章 深度学习基础理论 | 第22-58页 |
| 2.1 深度学习概论 | 第22-37页 |
| 2.1.1 深度学习概述 | 第22-25页 |
| 2.1.2 激活函数 | 第25-27页 |
| 2.1.3 损失函数 | 第27-30页 |
| 2.1.4 随机梯度下降 | 第30-32页 |
| 2.1.5 反向传播算法 | 第32-36页 |
| 2.1.6 深度学习框架 | 第36-37页 |
| 2.2 深度信念网 | 第37-41页 |
| 2.2.1 基于能量的概率模型 | 第37-39页 |
| 2.2.2 受限玻尔兹曼机 | 第39-40页 |
| 2.2.3 深度信念网 | 第40-41页 |
| 2.3 栈式自动编码机 | 第41-44页 |
| 2.3.1 基本自动编码机 | 第41-42页 |
| 2.3.2 自动编码机的变体 | 第42-44页 |
| 2.4 卷积神经网络 | 第44-55页 |
| 2.4.1 卷积神经网络的特点 | 第45-47页 |
| 2.4.2 卷积神经网络典型结构 | 第47-50页 |
| 2.4.3 卷积神经网络复杂度分析 | 第50-54页 |
| 2.4.4 GPU加速卷积运算原理 | 第54-55页 |
| 2.5 本章小结 | 第55-58页 |
| 第三章 基于深度学习的人脸特征提取 | 第58-72页 |
| 3.1 视觉特征概述 | 第58-61页 |
| 3.1.1 传统视觉特征 | 第58页 |
| 3.1.2 Gabor小波特征 | 第58-59页 |
| 3.1.3 局部二值模式 | 第59-61页 |
| 3.2 基于深度学习的人脸特征提取框架 | 第61-64页 |
| 3.2.1 基本架构 | 第61-62页 |
| 3.2.2 理论解释 | 第62-64页 |
| 3.3 仿真分析 | 第64-70页 |
| 3.3.1 实验设计 | 第64-67页 |
| 3.3.2 仿真结果 | 第67-70页 |
| 3.3.3 进一步讨论 | 第70页 |
| 3.4 本章小结 | 第70-72页 |
| 第四章 基于联合贝叶斯理论的人脸认证算法 | 第72-92页 |
| 4.1 人脸认证系统概述 | 第72-74页 |
| 4.1.1 人脸认证基本原理 | 第72-73页 |
| 4.1.2 基于深度学习的人脸认证算法综述 | 第73-74页 |
| 4.2 联合贝叶斯算法 | 第74-81页 |
| 4.2.1 人脸识别的贝叶斯框架 | 第74-75页 |
| 4.2.2 联合贝叶斯先验 | 第75-77页 |
| 4.2.3 模型学习 | 第77-80页 |
| 4.2.4 性能分析 | 第80-81页 |
| 4.3 联合贝叶斯算法推广 | 第81-85页 |
| 4.3.1 基于迁移学习的联合贝叶斯算法 | 第82页 |
| 4.3.2 两个分量为非零均值的情形 | 第82-84页 |
| 4.3.3 基于逻辑斯蒂判决的自动阈值确定方法 | 第84-85页 |
| 4.4 仿真分析 | 第85-90页 |
| 4.4.1 实验设计 | 第85-87页 |
| 4.4.2 仿真结果 | 第87-88页 |
| 4.4.3 进一步讨论 | 第88-90页 |
| 4.5 本章小结 | 第90-92页 |
| 第五章 总结与展望 | 第92-94页 |
| 5.1 论文工作总结 | 第92页 |
| 5.2 未来工作展望 | 第92-94页 |
| 致谢 | 第94-96页 |
| 参考文献 | 第96-102页 |
| 作者简介（包括论文和成果清单） | 第102页 |
