| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 基于传统特征的方法 | 第15-17页 |
| 1.2.2 基于深度学习的方法 | 第17-18页 |
| 1.3 研究内容和论文组织结构 | 第18-21页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 论文组织结构 | 第19-21页 |
| 第二章 基于模板的非受限人脸识别中的关键技术 | 第21-31页 |
| 2.1 人脸检测 | 第21-24页 |
| 2.2 当前主流方法 | 第24-28页 |
| 2.2.1 基于新型网络结构的算法 | 第24-26页 |
| 2.2.2 对模板进行池化的算法 | 第26-27页 |
| 2.2.3 基于迁移学习和模板自适应的算法 | 第27-28页 |
| 2.3 主流方法存在的问题 | 第28-29页 |
| 2.3.1 基于新型网络结构算法的缺陷 | 第28页 |
| 2.3.2 对模板进行池化算法的缺陷 | 第28页 |
| 2.3.3 模板自适应算法的缺陷 | 第28-29页 |
| 2.4 基于模板的非受限人脸识别的主要难点 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 非受限人脸识别相关理论与预实验 | 第31-43页 |
| 3.1 前言 | 第31页 |
| 3.2 相关深度学习理论基础 | 第31-34页 |
| 3.2.1 自适应动量方法(adaptive momentum,Adam) | 第31-32页 |
| 3.2.2 正则化与规范化层 | 第32-34页 |
| 3.3 神经网络结构设计 | 第34-35页 |
| 3.3.1 网络结构设计 | 第34页 |
| 3.3.2 损失函数选择 | 第34-35页 |
| 3.3.3 训练数据集 | 第35页 |
| 3.4 人脸对齐 | 第35-41页 |
| 3.4.1 备选人脸对齐方法 | 第36-38页 |
| 3.4.2 实验结果 | 第38-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于关注的模板自适应人脸识别算法 | 第43-53页 |
| 4.1 前言 | 第43页 |
| 4.2 算法整体结构 | 第43页 |
| 4.3 分姿态对齐以及特征提取 | 第43-44页 |
| 4.4 三元组概率化度量学习 | 第44-47页 |
| 4.5 基于关注的特征融合 | 第47-49页 |
| 4.6 模板自适应 | 第49-51页 |
| 4.7 本章小结 | 第51-53页 |
| 第五章 实验与结果分析 | 第53-59页 |
| 5.1 数据集 | 第53-54页 |
| 5.2 实验评价测试步骤 | 第54-55页 |
| 5.3 基准方法和结果 | 第55-58页 |
| 5.3.1 横向基准 | 第55-56页 |
| 5.3.2 纵向基准 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文工作总结 | 第59页 |
| 6.2 后续工作展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表论文目录 | 第69页 |