| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-17页 |
| ·研究背景及意义 | 第7-9页 |
| ·人脸识别技术的现状 | 第9-12页 |
| ·人脸识别技术的现状 | 第9-10页 |
| ·人脸识别面临的问题 | 第10-11页 |
| ·几种人脸识别方法 | 第11-12页 |
| ·多任务学习简介 | 第12-15页 |
| ·多任务学习的发展及现状 | 第12-13页 |
| ·多任务学习的应用 | 第13-15页 |
| ·本文工作内容及结构安排 | 第15-17页 |
| 第二章 三种人脸特征提取算法 | 第17-37页 |
| ·主成分分析算法在人脸识别中的应用 | 第17-21页 |
| ·K-L变化变换 | 第18-19页 |
| ·奇异值分解(Singular Value Decomposition,SVD)方法 | 第19-20页 |
| ·基于PCA算法的人脸特征提取方法 | 第20-21页 |
| ·线性判别分析方法在人脸识别中的应用 | 第21-24页 |
| ·LDA算法介绍 | 第22-23页 |
| ·基于PCA+LDA算法的人脸特征提取方法 | 第23-24页 |
| ·完整核线性鉴别算法(CKFD)在人脸识别中的应用 | 第24-30页 |
| ·核函数 | 第25-27页 |
| ·CKFD算法原理 | 第27-29页 |
| ·基于CKFD算法的特征提取方法 | 第29-30页 |
| ·最近邻分类器 | 第30-31页 |
| ·实验结果与分析 | 第31-35页 |
| ·本章小结 | 第35-37页 |
| 第三章 多任务学习在人脸识别中的应用 | 第37-67页 |
| ·特征融合方法 | 第37-41页 |
| ·信息融合方法 | 第37-39页 |
| ·常用的标准化方法 | 第39-40页 |
| ·几种信息融合算法 | 第40页 |
| ·基于PCA+LDA算法和CKFD算法的特征融合 | 第40-41页 |
| ·人工神经网络 | 第41-46页 |
| ·人工神经网络的结构和模型 | 第42-45页 |
| ·反向传播神经网络 | 第45-46页 |
| ·多任务学习 | 第46-50页 |
| ·归纳偏置原理 | 第46-47页 |
| ·多任务学习的解决方案 | 第47-48页 |
| ·基于BP神经网络的多任务学习模型 | 第48-50页 |
| ·相关任务 | 第50-52页 |
| ·线性相关系数 | 第50页 |
| ·任务相关性定义 | 第50-51页 |
| ·BP神经网络中的任务相关 | 第51-52页 |
| ·基于多任务学习的人脸识别方法 | 第52-57页 |
| ·多任务学习分类器设计 | 第53-54页 |
| ·多任务学习网络的输出表示 | 第54-57页 |
| ·实验结果 | 第57-66页 |
| ·本章小结 | 第66-67页 |
| 第四章 总结与展望 | 第67-69页 |
| ·总结 | 第67页 |
| ·展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间参与的主要科研项目 | 第73-75页 |
| 致谢 | 第75页 |