| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 关键问题 | 第18-19页 |
| 1.3 本文主要工作及创新点 | 第19-21页 |
| 1.4 本文组织与结构 | 第21-23页 |
| 第2章 相关技术 | 第23-45页 |
| 2.1 智能视频分析方法 | 第23-25页 |
| 2.2 深度学习方法 | 第25-32页 |
| 2.2.1 深度学习的发展历史 | 第25-26页 |
| 2.2.2 深度与学习 | 第26-27页 |
| 2.2.3 常用模型结构 | 第27-32页 |
| 2.3 暴力检测方法 | 第32-34页 |
| 2.4 人脸识别方法 | 第34-40页 |
| 2.4.1 单样本人脸识别 | 第36-38页 |
| 2.4.2 低分辨率人脸识别 | 第38-40页 |
| 2.5 分布式计算方法 | 第40-45页 |
| 2.5.1 深度学习分布式训练 | 第40-42页 |
| 2.5.2 海云协同 | 第42-45页 |
| 第3章 基于三维卷积的暴力检测方法 | 第45-57页 |
| 3.1 问题描述 | 第45-46页 |
| 3.2 基于三维卷积的深度网络模型 | 第46-50页 |
| 3.2.1 3D卷积与时空特征 | 第46-47页 |
| 3.2.2 卷积神经网络模型 | 第47-50页 |
| 3.3 实验结果与分析 | 第50-54页 |
| 3.3.1 实验设置 | 第50-51页 |
| 3.3.2 3DConvNet模型实验 | 第51-53页 |
| 3.3.3 D3DConvNet模型实验 | 第53-54页 |
| 3.4 本章小结 | 第54-57页 |
| 第4章 基于KPCANet的单样本人脸识别方法 | 第57-71页 |
| 4.1 问题描述 | 第57-58页 |
| 4.2 基于KPCANet的单样本人脸识别方法 | 第58-64页 |
| 4.2.1 系统框架与算法流程 | 第59页 |
| 4.2.2 主成分分析及核方法 | 第59-60页 |
| 4.2.3 KPCANet网络模型 | 第60-62页 |
| 4.2.4 加权二阶段投票方法 | 第62-64页 |
| 4.3 实验结果与分析 | 第64-70页 |
| 4.3.1 实验设置 | 第64页 |
| 4.3.2 AR数据集上实验 | 第64-67页 |
| 4.3.3 Extended Yale B数据集上实验 | 第67-68页 |
| 4.3.4 FERET数据集上实验 | 第68-69页 |
| 4.3.5 LFW数据集上实验 | 第69-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 基于CNN的低分辨率人脸识别方法 | 第71-85页 |
| 5.1 问题描述 | 第71-72页 |
| 5.2 基于多尺度输入的CNN深度网络结构 | 第72-79页 |
| 5.2.1 系统流程 | 第73页 |
| 5.2.2 模型结构 | 第73-74页 |
| 5.2.3 训练方法 | 第74-75页 |
| 5.2.4 实验结果与分析 | 第75-79页 |
| 5.3 基于CNN和SPP的深度网络结构 | 第79-83页 |
| 5.3.1 系统流程 | 第79-80页 |
| 5.3.2 模型结构 | 第80-81页 |
| 5.3.3 训练方法 | 第81页 |
| 5.3.4 实验结果与分析 | 第81-83页 |
| 5.4 本章小结 | 第83-85页 |
| 第6章 基于海云协同的深度学习方法 | 第85-97页 |
| 6.1 问题描述 | 第85-86页 |
| 6.2 基于海云协同的深度学习方法 | 第86-90页 |
| 6.2.1 系统架构 | 第86-87页 |
| 6.2.2 深层模型架构 | 第87-89页 |
| 6.2.3 训练方法 | 第89-90页 |
| 6.3 实验结果与分析 | 第90-95页 |
| 6.3.1 实验设置 | 第90页 |
| 6.3.2 MNIST验 | 第90-93页 |
| 6.3.3 Cifar-10实验 | 第93-94页 |
| 6.3.4 LFW实验 | 第94-95页 |
| 6.4 本章小结 | 第95-97页 |
| 第7章 总结与展望 | 第97-101页 |
| 7.1 论文工作总结 | 第97-99页 |
| 7.2 研究工作展望 | 第99-101页 |
| 参考文献 | 第101-113页 |
| 致谢 | 第113-115页 |
| 在读期间发表的学术论文与取得的研究成果 | 第115-116页 |