基于深度学习的多姿态人脸识别研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 人脸识别技术及国内外现状 | 第12-15页 |
| 1.3 姿态问题研究概况 | 第15-16页 |
| 1.4 本文主要工作 | 第16页 |
| 1.5 本文章节安排 | 第16-18页 |
| 第2章 相关概念、技术与原理 | 第18-30页 |
| 2.1 神经网络 | 第18-22页 |
| 2.1.1 神经元 | 第18-19页 |
| 2.1.2 多层向前神经网络 | 第19-21页 |
| 2.1.3 BP算法 | 第21-22页 |
| 2.2 卷积神经网络原理及优化方法 | 第22-28页 |
| 2.2.1 卷积神经网络原理 | 第22-25页 |
| 2.2.2 Inception模块 | 第25-26页 |
| 2.2.3 BatchNormalization | 第26-28页 |
| 2.3 深度学习开源框架 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 改进的人脸姿态矫正模型Wild-B | 第30-47页 |
| 3.1 基于Wild-A的人脸姿态矫正方法与分析 | 第30-32页 |
| 3.2 Wild-B的结构设计 | 第32-36页 |
| 3.3 Wild-B的训练方法 | 第36-41页 |
| 3.3.1 数据库与数据预处理 | 第36-39页 |
| 3.3.2 网络模型的实现 | 第39-41页 |
| 3.4 对比实验与结果分析 | 第41-45页 |
| 3.4.1 测试数据库与评价指标 | 第41-43页 |
| 3.4.2 对比实验设置 | 第43-44页 |
| 3.4.3 实验结果分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于特征融合的多姿态人脸识别 | 第47-54页 |
| 4.1 人脸识别框架 | 第47-48页 |
| 4.2 基于Wild-B的特征提取与融合 | 第48-49页 |
| 4.3 模型训练 | 第49-50页 |
| 4.3.1 网络结构 | 第49-50页 |
| 4.3.2 模型训练方法 | 第50页 |
| 4.4 实验结果与分析 | 第50-53页 |
| 4.4.1 λ值的确定与LFW上的测试分析 | 第50-52页 |
| 4.4.2 YTF上的测试分析 | 第52-53页 |
| 4.5 本章总结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简介及在校期间所获得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
