实时人脸识别系统的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要内容及章节安排 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 神经网络与深度学习 | 第15-30页 |
| 2.1 神经网络 | 第15-18页 |
| 2.1.1 感知器 | 第15-16页 |
| 2.1.2 神经元 | 第16-17页 |
| 2.1.3 神经网络的架构 | 第17-18页 |
| 2.2 随机梯度下降与反向传播算法 | 第18-23页 |
| 2.2.1 梯度下降算法 | 第18-20页 |
| 2.2.2 随机梯度下降算法 | 第20页 |
| 2.2.3 反向传播算法 | 第20-23页 |
| 2.3 深度学习 | 第23-25页 |
| 2.3.1 卷积神经网络 | 第23-25页 |
| 2.4 提高神经网络的方法 | 第25-29页 |
| 2.4.1 引入更好的代价函数 | 第26页 |
| 2.4.2 softmax神经元层 | 第26-27页 |
| 2.4.3 过拟合和规范化 | 第27-29页 |
| 2.4.4 其他技术 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 人脸检测 | 第30-43页 |
| 3.1 传统人脸检测 | 第30-31页 |
| 3.2 传统人脸检测的突破 | 第31-34页 |
| 3.2.1 VJ人脸检测器 | 第31-32页 |
| 3.2.2 VJ人脸检测器的改进 | 第32-34页 |
| 3.3 基于深度学习的目标检测 | 第34-39页 |
| 3.3.1 R-CNN | 第34-35页 |
| 3.3.2 Fast R-CNN | 第35-36页 |
| 3.3.3 Faster R-CNN | 第36-38页 |
| 3.3.4 YOLO | 第38-39页 |
| 3.4 使用YOLO训练人脸检测模型 | 第39-42页 |
| 3.4.1 HNM简介 | 第39页 |
| 3.4.2 HNM采样改进 | 第39-41页 |
| 3.4.3 人脸检测模型训练 | 第41-42页 |
| 3.5 本章总结 | 第42-43页 |
| 第四章 人脸特征提取网络 | 第43-52页 |
| 4.1 DeepID | 第43-45页 |
| 4.1.1 DeepID网络结构 | 第43-44页 |
| 4.1.2 DeepID实验 | 第44-45页 |
| 4.1.3 DeepID实验结论 | 第45页 |
| 4.2 DeepID2 | 第45-47页 |
| 4.2.1 DeepID2网络结构 | 第45-46页 |
| 4.2.2 DeepID2学习算法 | 第46页 |
| 4.2.3 DeepID2试验与结论 | 第46-47页 |
| 4.3 DeepID2+与DeepID3 | 第47页 |
| 4.4 训练特征提取网络模型 | 第47-51页 |
| 4.4.1 数据选择 | 第48页 |
| 4.4.2 数据预处理 | 第48-49页 |
| 4.4.3 DeepID网络模型的改进 | 第49-50页 |
| 4.4.4 模型训练 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 SVM分类器 | 第52-56页 |
| 5.1 特征可视化 | 第52-53页 |
| 5.2 SVM分类器 | 第53-54页 |
| 5.2.1 软间隔支持向量机 | 第53-54页 |
| 5.2.2 对偶算法 | 第54页 |
| 5.3 人脸识别结果展示 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 系统整合与相关测试 | 第56-67页 |
| 6.1 系统整合 | 第56-58页 |
| 6.2 测试环境与目标 | 第58页 |
| 6.3 人脸检测测试与分析 | 第58-60页 |
| 6.4 特征提取网络性能分析 | 第60-63页 |
| 6.4.1 人脸验证ROC曲线测试 | 第61页 |
| 6.4.2 人脸特征分类性能 | 第61-63页 |
| 6.4.3 人脸特征提取网络的时间性能 | 第63页 |
| 6.5 人脸识别效果与分析 | 第63-66页 |
| 6.6 本章总结 | 第66-67页 |
| 总结与展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
