摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景及意义 | 第11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 人脸检测 | 第11-13页 |
1.2.2 人脸对齐 | 第13页 |
1.2.3 人脸识别 | 第13-14页 |
1.3 研究内容 | 第14-15页 |
1.4 论文的主要研究成果 | 第15-16页 |
1.5 论文的内容安排 | 第16-19页 |
第二章 基于RPN的人脸检测器 | 第19-41页 |
2.1 引言 | 第19页 |
2.2 RPN人脸检测模型 | 第19-22页 |
2.2.1 RPN人脸检测模型 | 第19-22页 |
2.3 一种新型精准检测框分数训练方法PreciseBoxScore(PBS) | 第22-28页 |
2.3.1 人脸检测器参数优化与设计 | 第22-23页 |
2.3.2 R-CNN风格检测器的一般训练方法 | 第23-24页 |
2.3.3 R-CNN风格检测器的一般训练方法的缺点 | 第24-25页 |
2.3.4 精准检测框分数训练方法PreciseBoxScore(PBS) | 第25-26页 |
2.3.5 对应PBS的新型网络结构 | 第26-28页 |
2.3.6 Precise Sigmoid+PBS的优越性 | 第28页 |
2.4 一种简单但有效的模型压缩方法 | 第28-30页 |
2.5 实验结果与分析 | 第30-39页 |
2.5.1 人脸检测数据集 | 第31页 |
2.5.2 基于RPN的一阶段人脸检测器 | 第31-32页 |
2.5.3 Precise Sigmoid最佳损失权重实验 | 第32-34页 |
2.5.4 Precise Sigmoid+PBS在FDDB上的实验 | 第34-36页 |
2.5.5 Precise Sigmoid+PBS在WIDER FACE上的实验 | 第36-37页 |
2.5.6 SEMCM在FDDB上的实验 | 第37-39页 |
2.6 本章小结 | 第39-41页 |
第三章 基于度量学习与相似度搜索的人脸识别 | 第41-61页 |
3.1 引言 | 第41页 |
3.2 基于残差神经网络的人脸识别模型 | 第41-42页 |
3.3 基于度量学习的人脸识别 | 第42-46页 |
3.3.1 基于center loss的人脸识别 | 第42-43页 |
3.3.2 Center loss的缺点 | 第43页 |
3.3.3 基于contrastive-center loss的人脸识别模型 | 第43-45页 |
3.3.4 Contrastive-center loss代码优化与加速 | 第45-46页 |
3.4 人脸识别实验结果与分析 | 第46-51页 |
3.4.1 MNIST数据集上的实验与可视化 | 第46-47页 |
3.4.2 CIFAR10数据集上的实验 | 第47-49页 |
3.4.3 LFW数据集上的实验 | 第49-50页 |
3.4.4 实验结论 | 第50-51页 |
3.5 基于相似度搜索的人脸识别 | 第51-56页 |
3.5.1 MS-Celeb-1M比赛的challenge2 | 第51-52页 |
3.5.2 相似度搜索与人脸识别 | 第52-53页 |
3.5.3 MS-Celeb-1M数据预处理 | 第53-56页 |
3.6 基于相似度搜索的人脸识别实验结果与分析 | 第56-61页 |
3.6.1 验证集制作 | 第56-57页 |
3.6.2 LFW数据集上的实验 | 第57页 |
3.6.3 相似度搜索策略实验 | 第57-60页 |
3.6.4 实验结论 | 第60-61页 |
第四章 人脸识别系统 | 第61-65页 |
4.1 引言 | 第61页 |
4.2 Caffe的windows移植 | 第61-62页 |
4.2.1 算法SDK制作需要注意的地方 | 第61页 |
4.2.2 算法SDK功能介绍 | 第61-62页 |
4.3 人脸图像搜索系统 | 第62-63页 |
4.3.1 相似人脸图像搜索模块 | 第62页 |
4.3.2 图像库新增与删除模块 | 第62-63页 |
4.4 人脸监控系统 | 第63页 |
4.5 本章小结 | 第63-65页 |
第五章 总结与展望 | 第65-67页 |
5.1 总结 | 第65-66页 |
5.2 展望 | 第66-67页 |
参考文献 | 第67-73页 |
致谢 | 第73-75页 |
攻读学位期间发表的学术论文目录 | 第75页 |