基于深度学习的人脸检测识别器设计及Android移动端应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人脸检测发展现状 | 第11-12页 |
| 1.2.2 人脸识别发展现状 | 第12-13页 |
| 1.2.3 深度学习发展概述 | 第13-14页 |
| 1.3 论文研究内容及意义 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 深度学习理论基础 | 第16-26页 |
| 2.1 基本神经网络结构 | 第16-22页 |
| 2.1.1 基本神经元模型 | 第16-17页 |
| 2.1.2 基本BP人工神经网络结构 | 第17页 |
| 2.1.3 神经网络前向传播 | 第17-18页 |
| 2.1.4 神经网络反向传播 | 第18-20页 |
| 2.1.5 常用的激活函数 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-25页 |
| 2.2.1 卷积层 | 第22-24页 |
| 2.2.2 汇聚层 | 第24-25页 |
| 2.2.3 全连接层 | 第25页 |
| 2.3 TensorFlow 深度学习框架 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于深度学习的人脸检测算法实现 | 第26-34页 |
| 3.1 MTCNN网络框架 | 第26-29页 |
| 3.1.1 常用候选框生成算法 | 第26-27页 |
| 3.1.2 MTCNN网络结构 | 第27-29页 |
| 3.2 训练数据集 | 第29-30页 |
| 3.3 人脸检测结果评估 | 第30-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于深度学习的人脸识别实现 | 第34-48页 |
| 4.1 MobileNets网络结构分析 | 第34-37页 |
| 4.2 基于深度特征的人脸表示 | 第37-39页 |
| 4.2.1 基于分类特征的人脸表示 | 第37页 |
| 4.2.2 基于嵌入特征的人脸表示 | 第37-39页 |
| 4.3 1:1人脸认证识设计 | 第39-43页 |
| 4.3.1 1:1人脸认证识别 | 第39-40页 |
| 4.3.2 实验数据集和评估标准 | 第40-41页 |
| 4.3.3 实验结果 | 第41-43页 |
| 4.4 1:N人脸分类识别设计 | 第43-46页 |
| 4.4.1 1:N人脸分类识别 | 第43-44页 |
| 4.4.2 实验使用的数据集 | 第44-45页 |
| 4.4.3 实验结果 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 人脸检测和识别的Android实现 | 第48-58页 |
| 5.1 Android开发平台的搭建 | 第48-50页 |
| 5.2 应用实验所使用的手机平台 | 第50页 |
| 5.3 人脸检测应用的实现及检测效果 | 第50-52页 |
| 5.4 人脸识别应用的实现及识别效果 | 第52-56页 |
| 5.5 本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 作者简介 | 第68页 |
