基于深度学习的跨模态人脸识别方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 基于手工特征的跨模态人脸识别方法 | 第13-14页 |
| 1.2.2 基于深度特征的跨模态人脸识别方法 | 第14-15页 |
| 1.3 研究内容及章节安排 | 第15-18页 |
| 第2章 跨模态人脸识别介绍 | 第18-28页 |
| 2.1 跨模态人脸识别数据集 | 第18-22页 |
| 2.1.1 NIR-VIS人脸数据集 | 第18-19页 |
| 2.1.2 Sketch人脸数据集 | 第19-22页 |
| 2.2 跨模态人脸识别系统 | 第22-28页 |
| 2.2.1 跨模态人脸识别整体框架 | 第23页 |
| 2.2.2 人脸检测方法介绍 | 第23-25页 |
| 2.2.3 人脸对齐方法介绍 | 第25-26页 |
| 2.2.4 跨模态人脸识别任务 | 第26-28页 |
| 第3章 基于共有成分卷积神经网络的跨模态人脸识别 | 第28-44页 |
| 3.1 前言 | 第28-29页 |
| 3.2 共有成分分析简介 | 第29-30页 |
| 3.3 共有成分分析与卷积神经网络的结合 | 第30-34页 |
| 3.3.1 核心公式 | 第31-32页 |
| 3.3.2 讨论 | 第32-33页 |
| 3.3.3 网络结构 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-42页 |
| 3.4.1 与基准方法的对比 | 第35-37页 |
| 3.4.2 超参数的评估 | 第37-39页 |
| 3.4.3 可视化 | 第39-40页 |
| 3.4.4 与其他方法的对比 | 第40-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于残差补偿网络的跨模态人脸识别 | 第44-58页 |
| 4.1 前言 | 第44-45页 |
| 4.2 残差补偿网络 | 第45-49页 |
| 4.2.1 网络结构概览 | 第45-46页 |
| 4.2.2 残差补偿模块 | 第46-47页 |
| 4.2.3 模态差异损失函数 | 第47-48页 |
| 4.2.4 讨论 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-56页 |
| 4.3.1 RC模块的探索性实验 | 第49-54页 |
| 4.3.2 MD loss的探索性实验 | 第54页 |
| 4.3.3 与其他方法的对比 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-62页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第70页 |
