| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 技术挑战和应用前景 | 第13-14页 |
| 1.3 创新点和文章结构 | 第14-16页 |
| 1.3.1 主要创新点 | 第14-15页 |
| 1.3.2 文章结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 人脸检测研究现状以及相关工作 | 第17-29页 |
| 2.1 基于传统机器学习的人脸检测 | 第17-21页 |
| 2.1.1 早期人脸检测算法 | 第17-19页 |
| 2.1.2 近十年人脸检测算法 | 第19-21页 |
| 2.2 基于深度学习的人脸检测算法 | 第21-28页 |
| 2.2.1 深度学习简介 | 第22-24页 |
| 2.2.2 基于深度学习的人脸检测介绍 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于轻量级卷积神经网络的人脸检测算法 | 第29-40页 |
| 3.1 目前已有的网络 | 第29-31页 |
| 3.2 卷积网络的选取 | 第31-32页 |
| 3.3 提取建议区域 | 第32-36页 |
| 3.3.1 RPN网络和anchor机制 | 第33-35页 |
| 3.3.2 针对人脸检测RPN网络改进 | 第35-36页 |
| 3.4 检测分类网络 | 第36-38页 |
| 3.5 构建的检测网络及初步实现 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 算法精度、检测速度以及模型大小的优化 | 第40-48页 |
| 4.1 多个卷积层融合 | 第40-43页 |
| 4.1.1 卷积层网络融合已有工作的介绍 | 第40-42页 |
| 4.1.2 将卷积神经网络特征融合 | 第42-43页 |
| 4.2 检测网络压缩 | 第43-46页 |
| 4.2.1 更改全连接层压缩检测网络 | 第43-45页 |
| 4.2.2 通过SVD压缩检测网络 | 第45-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第5章 实验结果与分析 | 第48-62页 |
| 5.1 人脸检测数据集与实验条件 | 第48-50页 |
| 5.1.1 人脸检测数据集 | 第48-49页 |
| 5.1.2 实验环境 | 第49-50页 |
| 5.2 实验部分 | 第50-59页 |
| 5.2.1 实验一:基于轻量级卷积神经网络的人脸检测算法 | 第50-55页 |
| 5.2.2 实验二:卷积层特征融合 | 第55-57页 |
| 5.2.3 实验三:检测网络的压缩 | 第57-59页 |
| 5.3 实验总结分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62页 |
| 6.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71页 |