摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景及意义 | 第11-12页 |
1.1.1 灵长类数据集的研究背景及意义 | 第11-12页 |
1.1.2 灵长类面部检测和识别方法研究背景及意义 | 第12页 |
1.2 研究现状 | 第12-16页 |
1.2.1 面部数据集研究现状 | 第12-14页 |
1.2.2 面部识别技术相关研究 | 第14-15页 |
1.2.3 动物个体识别相关研究 | 第15-16页 |
1.3 本文研究内容 | 第16-17页 |
1.4 本文章节安排 | 第17-19页 |
第二章 卷积神经网络研究基础 | 第19-29页 |
2.1 卷积神经网络的概念 | 第19-20页 |
2.2 卷积神经网络的结构 | 第20-22页 |
2.2.1 神经网络 | 第20-21页 |
2.2.2 卷积神经网络 | 第21-22页 |
2.3 卷积神经网络特点分析 | 第22-23页 |
2.4 卷积神经网络训练方法 | 第23-24页 |
2.5 卷积神经网络典型模型 | 第24-28页 |
2.6 本章小结 | 第28-29页 |
第三章 灵长类面部数据集的建立 | 第29-43页 |
3.1 现有野生动物面部数据集分析 | 第29-30页 |
3.2 灵长类面部数据集建立的必要性 | 第30页 |
3.3 灵长类面部数据集建立的挑战 | 第30-31页 |
3.4 灵长类面部数据集的构建 | 第31-37页 |
3.4.1 数据采集的基本策略 | 第31-32页 |
3.4.2 数据采集的基本规范和要求 | 第32-34页 |
3.4.3 数据的处理 | 第34页 |
3.4.4 数据集的组建 | 第34-37页 |
3.5 数据集的实验验证 | 第37-41页 |
3.5.1 个体识别实验 | 第37-38页 |
3.5.2 年龄阶段实验 | 第38-40页 |
3.5.3 性别识别实验 | 第40-41页 |
3.6 本章小结 | 第41-43页 |
第四章 基于CNN的灵长类面部自动检测方法 | 第43-59页 |
4.1 猴类面部特征分析 | 第43-44页 |
4.1.1 猴类面部组成与结构 | 第43页 |
4.1.2 金丝猴面部色彩和纹理特征分析 | 第43-44页 |
4.2 猴面检测算法概述 | 第44-46页 |
4.2.1 猴面检测算法总体框架 | 第44-45页 |
4.2.2 主要环节概述 | 第45页 |
4.2.3 现有方法对比分析 | 第45-46页 |
4.3 面部候选区域的提取 | 第46-50页 |
4.3.1 肤色/毛色分析与样本查找表的建立 | 第46-48页 |
4.3.2 面部邻域的提取、分割与合并 | 第48-50页 |
4.4 基于CNN的面部检测方法 | 第50-51页 |
4.4.1 卷积神经网络训练 | 第50页 |
4.4.2 面部检测分类 | 第50-51页 |
4.5 实验与分析 | 第51-58页 |
4.5.1 实验数据集及测试环境 | 第51-52页 |
4.5.2 实验结果分析 | 第52-57页 |
4.5.3 对比实验分析 | 第57-58页 |
4.6 本章总结 | 第58-59页 |
第五章 细粒度的灵长类面部识别方法 | 第59-73页 |
5.1 基于CNN的图像深层特征提取 | 第59-60页 |
5.2 细粒度特征提取现况 | 第60-61页 |
5.3 FCNN基本设计思想 | 第61-63页 |
5.3.1 小卷积核思想 | 第61-63页 |
5.3.2 现有方法对比分析 | 第63页 |
5.4 FCNN网络结构设计 | 第63-67页 |
5.4.1 网络整体结构设计 | 第63-65页 |
5.4.2 网络中卷积层设计 | 第65页 |
5.4.3 网络中池化层设计 | 第65-66页 |
5.4.4 全连接层设计 | 第66-67页 |
5.5 实验与分析 | 第67-71页 |
5.5.1 实验数据集及测试环境 | 第67页 |
5.5.2 实验结果与分析 | 第67-71页 |
5.6 FCNN进一步改进思路 | 第71页 |
5.7 本章总结 | 第71-73页 |
总结与展望 | 第73-75页 |
全文总结 | 第73页 |
未来展望 | 第73-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-80页 |
攻读硕士学位期间取得的科研成果 | 第80-81页 |