| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究概况 | 第10-13页 |
| 1.2.1 传统人脸识别方法 | 第10-11页 |
| 1.2.2 基于卷积神经网络的人脸识别方法 | 第11-13页 |
| 1.3 本文主要内容和创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关技术研究 | 第16-28页 |
| 2.1 卷积神经网络 | 第16-22页 |
| 2.1.1 卷积神经网络基本结构 | 第16-20页 |
| 2.1.2 全连接层的BP算法 | 第20-21页 |
| 2.1.3 卷积神经网络前向传播 | 第21页 |
| 2.1.4 卷积神经网络反向传播 | 第21-22页 |
| 2.2 人脸预处理 | 第22-27页 |
| 2.2.1 人脸检测 | 第23-24页 |
| 2.2.2 人脸关键点定位 | 第24-25页 |
| 2.2.3 人脸归一化 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 轻量级人脸识别网络设计 | 第28-45页 |
| 3.1 轻量级CNN模型结构 | 第28-31页 |
| 3.1.1 MFM激活函数 | 第28-30页 |
| 3.1.2 网络结构设计 | 第30-31页 |
| 3.2 基于contrastive loss模型改进 | 第31-35页 |
| 3.2.1 contrastive损失函数 | 第31-32页 |
| 3.2.2 基于双监督信号的网络优化 | 第32-35页 |
| 3.3 模型训练与相似性度量 | 第35-37页 |
| 3.3.1 网络训练 | 第35-36页 |
| 3.3.2 特征相似性度量 | 第36-37页 |
| 3.4 算法实验与分析 | 第37-44页 |
| 3.4.1 LFW数据集实验与分析 | 第37-41页 |
| 3.4.2 MFM激活函数实验分析 | 第41-43页 |
| 3.4.3 卷积核可视化 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 轻量级人脸识别模型压缩 | 第45-57页 |
| 4.1 模型剪枝 | 第45-47页 |
| 4.1.1 网络剪枝策略 | 第45-46页 |
| 4.1.2 dropout调整策略 | 第46-47页 |
| 4.2 稀疏参数矩阵压缩存储 | 第47-48页 |
| 4.2.1 CRS稀疏存储格式 | 第47页 |
| 4.2.2 index压缩策略 | 第47-48页 |
| 4.3 基于caffe的模型剪枝实现 | 第48-52页 |
| 4.3.1 caffe基本结构 | 第48-49页 |
| 4.3.2 基于剪枝的caffe源码改进 | 第49-52页 |
| 4.4 网络剪枝实验分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于Android的人脸识别系统实现 | 第57-70页 |
| 5.1 系统概况 | 第57-59页 |
| 5.1.1 系统目标 | 第57页 |
| 5.1.2 系统总体设计 | 第57-58页 |
| 5.1.3 系统运行环境 | 第58-59页 |
| 5.2 功能模块设计 | 第59-63页 |
| 5.2.1 信息采集 | 第60页 |
| 5.2.2 人脸检测及预处理模块 | 第60-61页 |
| 5.2.3 特征提取与检索模块 | 第61-62页 |
| 5.2.4 数据存储模块 | 第62-63页 |
| 5.3 系统实验 | 第63-69页 |
| 5.3.1 功能测试 | 第63-66页 |
| 5.3.2 性能测试 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 作者攻读学位期间发表的学术论文目录 | 第76页 |