| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 人脸识别研究现状 | 第10-12页 |
| 1.2.2 卷积神经网络研究现状 | 第12页 |
| 1.3 主要研究工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 卷积神经网络的理论基础 | 第14-29页 |
| 2.1 人工神经网络 | 第14-20页 |
| 2.1.1 神经元 | 第14-15页 |
| 2.1.2 前馈神经网络模型 | 第15-16页 |
| 2.1.3 前向传播计算 | 第16-17页 |
| 2.1.4 反向传播算法 | 第17-20页 |
| 2.1.5 梯度消失问题 | 第20页 |
| 2.2 卷积神经网络 | 第20-28页 |
| 2.2.1 卷积神经网络的基本结构 | 第20-24页 |
| 2.2.2 卷积神经网络的反向传播算法 | 第24-25页 |
| 2.2.3 卷积神经网络训练注意事项 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 Tensorflow框架简介及数据预处理 | 第29-37页 |
| 3.1 Tensorflow框架简介 | 第29-32页 |
| 3.1.1 TensorFlow的系统架构 | 第29-30页 |
| 3.1.2 TensorFlow编程模型 | 第30-32页 |
| 3.2 数据预处理 | 第32-36页 |
| 3.2.1 人脸检测 | 第33-34页 |
| 3.2.2 数据增强 | 第34-35页 |
| 3.2.3 图像标准化 | 第35-36页 |
| 3.2.4 中心损失 | 第36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于卷积神经网络迁移学习的人脸识别 | 第37-49页 |
| 4.1 迁移学习的简述 | 第37-38页 |
| 4.2 基于MyVGGNet卷积神经网络的人脸识别 | 第38-43页 |
| 4.2.1 VGGNet网络结构分析 | 第38-39页 |
| 4.2.2 MyVGGNet模型结构分析 | 第39-40页 |
| 4.2.3 MyVGGNet模型的训练与实验分析 | 第40-43页 |
| 4.3 基于MySqueezeNet卷积神经网络的人脸识别 | 第43-47页 |
| 4.3.1 SqueezeNet网络结构分析 | 第43-45页 |
| 4.3.2 MySqueezeNet模型结构分析 | 第45页 |
| 4.3.3 MySqueezeNet模型的训练与实验分析 | 第45-47页 |
| 4.4 改进模型结果比较及优缺点 | 第47-48页 |
| 4.4.1 改进模型结果比较 | 第47-48页 |
| 4.4.2 改进模型的优缺点 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于二叉树型卷积神经网络信息融合的人脸识别 | 第49-64页 |
| 5.1 深度神经网络优化问题 | 第49-50页 |
| 5.2 残差学习 | 第50-51页 |
| 5.3 深度神经网络的融合 | 第51-52页 |
| 5.4 二叉树型CNN信息融合网络模型 | 第52-60页 |
| 5.4.1 网络局部模块分析 | 第52-56页 |
| 5.4.2 整体网络模型详解 | 第56-60页 |
| 5.5 网络模型的训练与实验分析 | 第60-63页 |
| 5.5.1 模型训练 | 第60-61页 |
| 5.5.2 实验结果与分析比较 | 第61-62页 |
| 5.5.3 与其它方法对比 | 第62页 |
| 5.5.4 网络模型的优缺点 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文 | 第71-72页 |
| 致谢 | 第72-73页 |
