| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10页 |
| 1.2 国内外研究历史与现状 | 第10-13页 |
| 1.3 本文的主要内容 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 人脸识别网络研究 | 第15-28页 |
| 2.1 卷积神经网络 | 第15-19页 |
| 2.1.1 AlexNet | 第15-16页 |
| 2.1.2 VggNet | 第16页 |
| 2.1.3 Inception系列网络 | 第16-18页 |
| 2.1.4 Resnet系列网络 | 第18-19页 |
| 2.2 人脸特征提取 | 第19-22页 |
| 2.2.1 人脸特征层 | 第19-21页 |
| 2.2.2 人脸特征规范化(normalization) | 第21-22页 |
| 2.2.3 人脸特征提取层设置 | 第22页 |
| 2.3 人脸识别网络重要设置与相关实验 | 第22-27页 |
| 2.3.1 网络输入设置 | 第23-24页 |
| 2.3.2 网络输出设置(特征提取层设置) | 第24页 |
| 2.3.3 网络输出特征维度设置 | 第24-26页 |
| 2.3.4 网络WeightDecay设置 | 第26页 |
| 2.3.5 网络架构设置 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 人脸识别损失函数研究 | 第28-40页 |
| 3.1 人脸识别损失函数 | 第28-32页 |
| 3.1.1 超多分类的Softmax损失函数 | 第28-29页 |
| 3.1.2 双约束的损失函数 | 第29-30页 |
| 3.1.3 LargeAngularMargin损失函数 | 第30-32页 |
| 3.2 人脸特征幅度归一化和分类权重幅度归一化 | 第32-34页 |
| 3.2.1 分类权重归一化 | 第32页 |
| 3.2.2 特征幅度归一化 | 第32-33页 |
| 3.2.3 归一化后的损失函数 | 第33-34页 |
| 3.3 一种改进的人脸识别损失函数 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-39页 |
| 3.4.1 实验 | 第35-37页 |
| 3.4.2 实验 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 人脸识别数据研究 | 第40-54页 |
| 4.1 人脸数据增强 | 第40-43页 |
| 4.1.1 基于图像变换的数据增强 | 第40-41页 |
| 4.1.2 基于3D模型的数据增强 | 第41-42页 |
| 4.1.3 基于GAN人脸属性生成的数据增强 | 第42-43页 |
| 4.2 人脸数据增强实验 | 第43-47页 |
| 4.2.1 数据增强细节 | 第44-46页 |
| 4.2.2 实验结果与分析 | 第46-47页 |
| 4.3 人脸数据集建立 | 第47-53页 |
| 4.3.1 常见数据库 | 第47-48页 |
| 4.3.2 建立人脸数据库 | 第48-51页 |
| 4.3.3 实验与实验结果分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 人脸识别系统设计与实现 | 第54-61页 |
| 5.1 硬件配置 | 第54页 |
| 5.2 软件系统设计 | 第54-60页 |
| 5.2.1 深度学习框架CAFFE | 第55-56页 |
| 5.2.2 核心算法层 | 第56-58页 |
| 5.2.3 功能模块层与GUI | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 全文总结与展望 | 第61-63页 |
| 6.1 全文总结 | 第61-62页 |
| 6.2 后续工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的成果 | 第68页 |