| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 人脸识别的研究现状 | 第13-15页 |
| 1.2.2 深度学习的研究现状 | 第15-16页 |
| 1.3 课题主要研究内容和创新点 | 第16-18页 |
| 1.4 章节内容安排 | 第18-20页 |
| 第二章 深度学习基本理论 | 第20-34页 |
| 2.1 传统神经网络模型 | 第20-24页 |
| 2.1.1 感知器神经元模型 | 第20-21页 |
| 2.1.2 BP神经网络模型的定义 | 第21-22页 |
| 2.1.3 BP神经网络模型的训练 | 第22-23页 |
| 2.1.4 传统神经网络存在的缺陷 | 第23-24页 |
| 2.2 DBNs深度信念网络模型 | 第24-29页 |
| 2.2.1 RBM受限玻尔兹曼模型的定义 | 第24-26页 |
| 2.2.2 RBM受限玻尔兹曼模型的训练 | 第26-28页 |
| 2.2.3 DBNs深度信念网络模型的定义与训练 | 第28-29页 |
| 2.3 CNNs深度卷积网络模型 | 第29-33页 |
| 2.3.1 CNNs深度卷积网络模型的定义 | 第29-31页 |
| 2.3.2 CNNs深度卷积网络模型的训练 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于DBNs网络的人脸识别算法研究 | 第34-54页 |
| 3.1 非限制性条件下人脸图像干扰因素分析 | 第34-35页 |
| 3.2 常用的标准人脸数据库介绍 | 第35-36页 |
| 3.3 算法模型描述与运行流程 | 第36-39页 |
| 3.3.1 算法模型描述 | 第36页 |
| 3.3.2 算法运行流程 | 第36-39页 |
| 3.4 算法的优化与关键参数介绍 | 第39-43页 |
| 3.5 实验结果与分析 | 第43-52页 |
| 3.5.1 基于ORL库的人脸识别算法实验 | 第44-45页 |
| 3.5.2 基于AR库的人脸识别算法实验 | 第45-46页 |
| 3.5.3 基于CMU PIE库的人脸识别算法实验 | 第46-47页 |
| 3.5.4 基于FERET库的人脸识别算法实验 | 第47-48页 |
| 3.5.5 实验结果分析与总结 | 第48-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于混合DBNs网络的小样本人脸识别算法研究 | 第54-64页 |
| 4.1 小样本带来的挑战 | 第54-56页 |
| 4.1.1 算法对样本量的依赖 | 第54-55页 |
| 4.1.2 小样本的含义 | 第55-56页 |
| 4.2 方案设计与算法模型描述 | 第56-60页 |
| 4.2.1 方案设计 | 第56-58页 |
| 4.2.2 算法模型优化 | 第58页 |
| 4.2.3 算法运行流程 | 第58-60页 |
| 4.3 实验结果与分析 | 第60-62页 |
| 4.3.1 基于ORL库的小样本识别实验配置情况 | 第60页 |
| 4.3.2 基于AR库的小样本识别实验配置情况 | 第60-61页 |
| 4.3.3 基于CMU PIE库的小样本识别实验配置情况 | 第61页 |
| 4.3.4 基于FERET库的小样本识别实验配置情况 | 第61-62页 |
| 4.3.5 实验结果与分析 | 第62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 算法模型识别性能的通用性研究 | 第64-74页 |
| 5.1 基于DBNs模型的cifar-10 图像目标识别 | 第64-66页 |
| 5.1.1 cifar-10 图像库介绍 | 第64页 |
| 5.1.2 实验结果与分析 | 第64-66页 |
| 5.2 基于混合DBNs模型的SAR图像目标识别 | 第66-72页 |
| 5.2.1 SAR图像库介绍 | 第66-67页 |
| 5.2.2 实验结果与分析 | 第67-72页 |
| 5.3 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文主要工作 | 第74-75页 |
| 6.2 本文主要创新点 | 第75页 |
| 6.3 进一步工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 在学期间的研究成果及发表的学术论文 | 第81页 |
