| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人脸识别研究现状 | 第11-14页 |
| 1.2.1 传统人脸识别技术 | 第11-12页 |
| 1.2.2 基于深度学习的人脸识别技术 | 第12-13页 |
| 1.2.3 人脸识别技术难点 | 第13-14页 |
| 1.3 本文的研究内容和工作安排 | 第14-15页 |
| 第2章 深度学习理论与发展 | 第15-30页 |
| 2.1 人工神经网络与深度学习 | 第15-20页 |
| 2.1.1 深度学习发展历程 | 第15-16页 |
| 2.1.2 神经元与感受器 | 第16-17页 |
| 2.1.3 BP神经网络 | 第17-19页 |
| 2.1.4 BP神经网络的优缺点 | 第19-20页 |
| 2.2 深度学习网络模型 | 第20-27页 |
| 2.2.1 自动编码器 | 第20-21页 |
| 2.2.2 受限玻尔兹曼机 | 第21-23页 |
| 2.2.3 深度信念网络 | 第23页 |
| 2.2.4 卷积神经网络 | 第23-24页 |
| 2.2.5 卷积神经网络结构 | 第24-27页 |
| 2.3 激活函数 | 第27-28页 |
| 2.4 dropout技术 | 第28-29页 |
| 2.5 本章小节 | 第29-30页 |
| 第3章 基于深度卷积神经网络的人脸识别 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 相关网络介绍 | 第30-32页 |
| 3.2.1 LeNet-5网络 | 第30-31页 |
| 3.2.2 AlexNet网络 | 第31-32页 |
| 3.3 人脸数据集介绍 | 第32页 |
| 3.4 图像预处理 | 第32-33页 |
| 3.5 深度卷积神经网络模型设计 | 第33-35页 |
| 3.6 实验与分析 | 第35-40页 |
| 3.6.1 卷积核的大小 | 第35-36页 |
| 3.6.2 激活函数实验 | 第36-37页 |
| 3.6.3 不同的池化方法对网络的影响 | 第37-38页 |
| 3.6.4 Dropout的技术对网络的影响 | 第38-40页 |
| 3.6.5 本算法与不同算法的性能比较 | 第40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于二维Gabor和改进卷积神经网络的人脸识别 | 第42-49页 |
| 4.1 引言 | 第42页 |
| 4.2 二维Gabor滤波 | 第42-43页 |
| 4.3 极限学习机(ELM) | 第43-45页 |
| 4.4 改进的卷积神经网络 | 第45-46页 |
| 4.4.1 卷积层梯度算法 | 第45-46页 |
| 4.4.2 池化层梯度算法 | 第46页 |
| 4.4.3 ELM层训练算法 | 第46页 |
| 4.5 实验结果与分析 | 第46-48页 |
| 4.5.1 ORL人脸识别实验 | 第46-47页 |
| 4.5.2 Yale-B人脸识别实验 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |