基于多尺度池化的卷积神经网络人脸识别方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 人脸识别的研究现状 | 第11-15页 |
| 1.2.1 人脸识别技术发展历史 | 第11-14页 |
| 1.2.2 人脸识别主要方法 | 第14-15页 |
| 1.3 深度学习及卷积神经网络的研究现状 | 第15-18页 |
| 1.3.1 深度学习的研究现状 | 第15-16页 |
| 1.3.2 卷积神经网络的研究现状 | 第16-18页 |
| 1.4 本文的研究内容和章节安排 | 第18-20页 |
| 2 人工神经网络 | 第20-34页 |
| 2.1 感知器 | 第21-25页 |
| 2.1.1 感知器的结构 | 第21-22页 |
| 2.1.2 批量梯度下降算法 | 第22-25页 |
| 2.2 多层神经网络 | 第25-30页 |
| 2.2.1 多层神经网络的结构 | 第25-26页 |
| 2.2.2 反向传播算法 | 第26-30页 |
| 2.3 深度神经网络 | 第30-33页 |
| 2.3.1 多层神经网络的局限性 | 第31页 |
| 2.3.2 深度神经网络的常见结构 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 卷积神经网络理论 | 第34-50页 |
| 3.1 卷积神经网络的核心技术 | 第35-37页 |
| 3.1.1 局部感受域 | 第35-36页 |
| 3.1.2 权值共享 | 第36页 |
| 3.1.3 池化采样 | 第36-37页 |
| 3.2 卷积神经网络的基本结构 | 第37-43页 |
| 3.2.1 卷积层 | 第38-39页 |
| 3.2.2 池化采样层 | 第39-41页 |
| 3.2.3 全连接层与输出层 | 第41-43页 |
| 3.3 激活函数和正则化方法的讨论 | 第43-49页 |
| 3.3.1 激活函数的讨论 | 第44-48页 |
| 3.3.2 正则化方法 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 基于多尺度池化的卷积神经网络人脸识别方法 | 第50-66页 |
| 4.1 多尺度池化采样 | 第50-55页 |
| 4.1.1 常见卷积神经网络结构的不足 | 第50-52页 |
| 4.1.2 多尺度池化采样的具体方法 | 第52-55页 |
| 4.1.3 多尺度池化的卷积神经网络的优势 | 第55页 |
| 4.2 多层特征表达的全连接层 | 第55-57页 |
| 4.3 整体网络结构 | 第57-60页 |
| 4.4 网络的初始化和训练方法 | 第60-64页 |
| 4.4.1 网络权值的初始化 | 第61-63页 |
| 4.4.2 网络的训练方法 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 5 系统设计和实验结果分析 | 第66-82页 |
| 5.1 CMU-PIE人脸数据集 | 第66-67页 |
| 5.2 Caffe深度学习框架 | 第67-68页 |
| 5.3 最优网络参数的验证实验 | 第68-72页 |
| 5.3.1 激活函数的选择 | 第69-71页 |
| 5.3.2 Dropout概率值的选择 | 第71-72页 |
| 5.4 MPCNN网络结构的性能研究 | 第72-78页 |
| 5.4.1 多尺度池化的有效性 | 第73-76页 |
| 5.4.2 多层特征表达的全连接层的有效性 | 第76-78页 |
| 5.5 与其他方法的对比实验 | 第78-81页 |
| 5.6 本章小结 | 第81-82页 |
| 6 总结与展望 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 作者简历及在学期间所取得的科研成果 | 第89页 |
