| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 名词和缩略语表 | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景与意义 | 第11-12页 |
| 1.2 卷积网络中的现行卷积方式 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 基于卷积网络的人脸识别研究现状 | 第13-14页 |
| 1.3.2 卷积神经网络的发展与研究现状 | 第14-15页 |
| 1.3.3 深度学习中网络压缩问题的研究现状及其应用 | 第15-16页 |
| 1.4 本文主要内容与安排 | 第16-17页 |
| 第二章 基于局部保持映射和卷积网络的特征提取网络 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 主成分分析、局部保持映射与拉普拉斯脸 | 第17-20页 |
| 2.2.1 主成分分析算法 | 第17-18页 |
| 2.2.2 局部保持映射算法 | 第18-19页 |
| 2.2.3 拉普拉斯脸的构造 | 第19-20页 |
| 2.3 构造局部保持映射网络 | 第20-23页 |
| 2.3.1 第一阶段:利用LPP | 第21-22页 |
| 2.3.2 第二阶段:利用LPP/PCA | 第22-23页 |
| 2.4 实验结果与分析 | 第23-29页 |
| 2.4.1 在各个人脸数据库上的实验结果 | 第23-27页 |
| 2.4.2 实验参数的影响 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于分裂基-2/(2a)FFT的卷积神经网络加速算法 | 第30-45页 |
| 3.1 引言 | 第30页 |
| 3.2 快速傅里叶变换及其分裂基变体 | 第30-33页 |
| 3.2.1 一维分裂基-2/(2a)FFT | 第30-32页 |
| 3.2.2 使用行列算法将1维算法扩展成2维算法 | 第32-33页 |
| 3.2.3 分裂基-2/(2a)FFT算法复杂度分析 | 第33页 |
| 3.3 卷积神经网络基本原理 | 第33-37页 |
| 3.3.1 全连接层的反向传播算法 | 第33-35页 |
| 3.3.2 卷积层的反向传播算法 | 第35-37页 |
| 3.4 卷积神经网络与分裂基-2/(2a)FFT算法的结合 | 第37-39页 |
| 3.4.1 基于分裂基-2/(2a)的卷积层加速算法 | 第37-38页 |
| 3.4.2 卷积层在频域和空域中的计算复杂度的近似分析 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-43页 |
| 3.5.1 1维分裂基-2/(2a)的实际运行时间比较 | 第39-40页 |
| 3.5.2 加速算法在两个数据集上的实验结果 | 第40-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 基于网络压缩方法的改进深度去噪网络 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 一种基于深度学习的新型去噪网络DnCNN | 第45-46页 |
| 4.2.1 DnCNN的学习策略 | 第45-46页 |
| 4.2.2 DnCNN的网络结构 | 第46页 |
| 4.3 网络压缩算法:低秩矩阵分解 | 第46-48页 |
| 4.4 压缩DnCNN | 第48-49页 |
| 4.5 实验结果与分析 | 第49-57页 |
| 4.5.1 实验设置 | 第49-50页 |
| 4.5.2 结果比较与分析 | 第50-56页 |
| 4.5.3 优化方法的影响 | 第56-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62-63页 |
| 参考文献 | 第63-65页 |
