| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景及意义 | 第10-11页 |
| 1.2 国内外研究历史及现状 | 第11-13页 |
| 1.3 论文研究内容与创新 | 第13-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 理论基础及相关技术 | 第16-31页 |
| 2.1 早期机器视觉技术概述 | 第16-17页 |
| 2.1.1 早期人工特征 | 第16-17页 |
| 2.1.2 基于人工特征的目标检测算法 | 第17页 |
| 2.2 基于深度学习的机器学习算法概述 | 第17-19页 |
| 2.2.1 卷积神经网络的基本概念 | 第17-18页 |
| 2.2.2 卷积神经网络参数最优化方法 | 第18-19页 |
| 2.2.3 卷积神经网络参数正则化方法 | 第19页 |
| 2.3 基于卷积神经网络的目标检测算法的相关工作概述 | 第19-25页 |
| 2.3.1 目标检测核心思路 | 第19-22页 |
| 2.3.2 二阶段检测算法 | 第22-23页 |
| 2.3.3 一阶段检测算法 | 第23-25页 |
| 2.4 卷积神经网络压缩算法的相关工作概述 | 第25-28页 |
| 2.4.1 基于结构的压缩算法 | 第25-27页 |
| 2.4.2 基于数值的压缩算法 | 第27-28页 |
| 2.5 深度学习框架概述 | 第28-30页 |
| 2.3.1 深度学习框架的设计思想 | 第29页 |
| 2.3.2 Caffe概述 | 第29-30页 |
| 2.3.3 TensorRT概述 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的人脸检测算法 | 第31-45页 |
| 3.1 人脸检测的难点 | 第32-36页 |
| 3.1.1 多尺度 | 第32-33页 |
| 3.1.2 小目标 | 第33-34页 |
| 3.1.3 密集目标 | 第34-36页 |
| 3.2 Zface人脸检测算法详细设计 | 第36-39页 |
| 3.3 Zface人脸检测算法软件加速方案 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-43页 |
| 3.4.1 Zface自测试 | 第40-41页 |
| 3.4.2 FDDB精度测试 | 第41-42页 |
| 3.4.3 速度测试 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 卷积神经网络的压缩算法 | 第45-65页 |
| 4.1 二值压缩算法原理 | 第46-53页 |
| 4.1.1 卷积核权重二值化 | 第47页 |
| 4.1.2 卷积层输入二值化 | 第47-48页 |
| 4.1.3 二值卷积的前向和后向计算 | 第48-49页 |
| 4.1.4 二值先验的数值基础 | 第49-52页 |
| 4.1.5 二值卷积的层次选择优化 | 第52-53页 |
| 4.2 二值压缩算法的高性能实现 | 第53-57页 |
| 4.3 实验与结果分析 | 第57-64页 |
| 4.3.1 速度基准测试 | 第57-59页 |
| 4.3.2 图像识别任务 | 第59-62页 |
| 4.3.3 基于压缩卷积神经网络的人脸检测算法 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻硕期间取得的研究成果 | 第72页 |