基于卷积神经网络的大规模人脸聚类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究任务与创新点 | 第15-16页 |
| 1.4 本文章节安排 | 第16-17页 |
| 第二章 人脸聚类框架设计 | 第17-23页 |
| 2.1 人脸聚类分析的一般步骤 | 第17-19页 |
| 2.2 技术难点及其解决方案 | 第19-22页 |
| 2.2.1 特征的鲁棒性 | 第19-20页 |
| 2.2.2 合适的聚类算法 | 第20-21页 |
| 2.2.3 聚类结果的评价 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 人脸特征提取 | 第23-36页 |
| 3.1 主流的特征提取算法 | 第23-24页 |
| 3.2 基于卷积神经网络的特征提取 | 第24-35页 |
| 3.2.1 深度学习神经学启示 | 第24-28页 |
| 3.2.2 卷积神经网络原理 | 第28-31页 |
| 3.2.3 卷积神经网络模型及其特征提取 | 第31-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 人脸聚类 | 第36-47页 |
| 4.1 传统聚类算法 | 第36-38页 |
| 4.2 现代聚类算法 | 第38-39页 |
| 4.3 经典K-means 聚类算法及其改进方案 | 第39-43页 |
| 4.3.1 K-means 算法 | 第39-41页 |
| 4.3.2 K-means++ 算法 | 第41-42页 |
| 4.3.3 k值的估算 | 第42-43页 |
| 4.4 基于密度极点的聚类算法 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 聚类评价及其实验分析 | 第47-64页 |
| 5.1 聚类评价指标 | 第47-51页 |
| 5.1.1 Rand Index 指标 | 第47页 |
| 5.1.2 信息熵指标 | 第47-48页 |
| 5.1.3 F_1-measure 指标 | 第48页 |
| 5.1.4 混淆矩阵可视化 | 第48-51页 |
| 5.2 实验结果及分析 | 第51-63页 |
| 5.2.1 k值估计实验 | 第52-54页 |
| 5.2.2 Rand Index 聚类评价 | 第54-55页 |
| 5.2.3 信息熵聚类评价 | 第55-56页 |
| 5.2.4 F1-measure 聚类评价 | 第56-57页 |
| 5.2.5 聚类结果可视化 | 第57-62页 |
| 5.2.6 总结与分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 攻读学位期间发表的论文 | 第73-75页 |
| 致谢 | 第75页 |
