| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 引言 | 第16-18页 |
| 1.2 亲属关系表示学习 | 第18-21页 |
| 1.2.1 人脸图像的特征表示 | 第18-19页 |
| 1.2.2 亲属关系表示学习的挑战 | 第19-21页 |
| 1.3 亲属关系验证器设计 | 第21-24页 |
| 1.3.1 一般人脸验证器设计 | 第21-22页 |
| 1.3.2 亲属关系验证器的挑战 | 第22-24页 |
| 1.4 本文的主要研究工作和组织结构 | 第24-26页 |
| 第二章 亲属关系验证概述 | 第26-44页 |
| 2.1 引言 | 第26-27页 |
| 2.2 亲属关系验证的主要思路 | 第27-35页 |
| 2.2.1 降维 | 第28-31页 |
| 2.2.1.1 特征抽取 | 第28-31页 |
| 2.2.1.2 特征选择 | 第31页 |
| 2.2.2 度量学习 | 第31-33页 |
| 2.2.2.1 邻域驱动的度量学习 | 第31-32页 |
| 2.2.2.2 多视图的度量学习 | 第32-33页 |
| 2.2.2.3 在线度量学习 | 第33页 |
| 2.2.3 借助辅助信息 | 第33-35页 |
| 2.2.3.1 迁移学习 | 第33-34页 |
| 2.2.3.2 几何信息模型 | 第34-35页 |
| 2.2.4 讨论 | 第35页 |
| 2.3 亲属关系验证系统的构建 | 第35-39页 |
| 2.3.1 完整的亲属关系验证系统架构 | 第35-36页 |
| 2.3.2 预处理方法 | 第36-38页 |
| 2.3.3 人脸特征选择和表示 | 第38页 |
| 2.3.4 分类器设计 | 第38-39页 |
| 2.4 主要Kinship关系人脸数据集 | 第39-41页 |
| 2.5 本章小结 | 第41-42页 |
| 注释 | 第42-44页 |
| 第三章 亲属关系表示学习 | 第44-58页 |
| 3.1 引言 | 第44页 |
| 3.2 亲属关系主体对象的低层特征表示 | 第44-47页 |
| 3.3 亲属关系人脸的局部区域选择 | 第47-50页 |
| 3.3.1 人脸局部区域选择的一般框架 | 第47页 |
| 3.3.2 稀疏与特征选择 | 第47-49页 |
| 3.3.3 组稀疏特征选择 | 第49-50页 |
| 3.4 基于软投票的亲属关系特征表示 | 第50-52页 |
| 3.5 实验和分析 | 第52-55页 |
| 3.5.1 数据集和实验设置 | 第52-53页 |
| 3.5.2 验证模型设置 | 第53-54页 |
| 3.5.3 实验结果和比较 | 第54-55页 |
| 3.6 本章小结 | 第55页 |
| 注释 | 第55-58页 |
| 第四章 组亲属关系验证器设计 | 第58-78页 |
| 4.1 引言 | 第58-59页 |
| 4.2 组亲属关系验证问题建模 | 第59页 |
| 4.3 组亲属关系验证模型 | 第59-64页 |
| 4.3.1 用于组亲属关系验证的两个双线性模型 | 第60-62页 |
| 4.3.2 学习一个相对对称的相似度度量 | 第62-64页 |
| 4.4 实验和分析 | 第64-75页 |
| 4.4.1 验证模型和实验设置 | 第64-65页 |
| 4.4.2 组亲属关系验证 | 第65-70页 |
| 4.4.2.1 与最好方法的比较 | 第65-66页 |
| 4.4.2.2 先验信息的有效性 | 第66-68页 |
| 4.4.2.3 随机生成的负例样本的影响 | 第68-70页 |
| 4.4.2.4 计算复杂度分析 | 第70页 |
| 4.4.3 提高对亲属关系验证 | 第70-71页 |
| 4.4.4 与人类在亲属关系验证中表现的比较 | 第71页 |
| 4.4.5 对不同光照条件的鲁棒性 | 第71-73页 |
| 4.4.6 其它形式的组亲属关系验证 | 第73-74页 |
| 4.4.7 对亲属关系验证 | 第74-75页 |
| 4.5 本章小结 | 第75-76页 |
| 注释 | 第76-78页 |
| 第五章 混合亲属关系验证器设计 | 第78-94页 |
| 5.1 引言 | 第78-79页 |
| 5.2 混合亲属关系验证的挑战 | 第79-80页 |
| 5.3 基于多任务学习的混合对亲属关系验证模型 | 第80-83页 |
| 5.3.1 使用多任务学习的动机 | 第80-81页 |
| 5.3.2 模型的假设前提 | 第81页 |
| 5.3.3 模型的构建学习 | 第81-83页 |
| 5.3.3.1 单任务的对亲属关系验证模型构建 | 第81页 |
| 5.3.3.2 从单任务到多任务 | 第81-83页 |
| 5.3.3.3 混合亲属关系验证 | 第83页 |
| 5.4 基于多视图多任务学习的混合亲属关系验证模型 | 第83-85页 |
| 5.4.1 使用多视图的动机 | 第84页 |
| 5.4.2 模型的构建学习 | 第84-85页 |
| 5.5 实验和分析 | 第85-92页 |
| 5.5.1 数据集和实验设置 | 第86-87页 |
| 5.5.2 多任务学习的有效性和比较 | 第87-88页 |
| 5.5.3 多视图学习的有效性和比较 | 第88-89页 |
| 5.5.4 与已有多任务学习算法的比较 | 第89页 |
| 5.5.5 与state-of-art算法的性能比较 | 第89-90页 |
| 5.5.6 与带性别检测预处理策略的比较 | 第90页 |
| 5.5.7 参数分析 | 第90-92页 |
| 5.5.8 时间复杂度分析 | 第92页 |
| 5.6 本章小结 | 第92-93页 |
| 注释 | 第93-94页 |
| 第六章 结束语 | 第94-98页 |
| 6.1 本文工作总结 | 第94-95页 |
| 6.2 进一步研究工作 | 第95-98页 |
| 参考文献 | 第98-116页 |
| 致谢 | 第116-118页 |
| 在学期间的研究成果及发表的学术论文 | 第118-119页 |