| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 人脸检测研究现状 | 第11-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 本文的主要内容与结构安排 | 第14-16页 |
| 第二章 卷积神经网络的理论基础 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 卷积神经网络 | 第16-21页 |
| 2.2.1 卷积层 | 第16-17页 |
| 2.2.2 池化层 | 第17-19页 |
| 2.2.3 激活函数 | 第19-21页 |
| 2.3 卷积神经网络训练 | 第21-23页 |
| 2.3.1 CNN前向传播算法 | 第21页 |
| 2.3.2 CNN反向传播算法 | 第21-23页 |
| 2.4 随机梯度下降算法 | 第23-25页 |
| 2.5 Caffe框架 | 第25-26页 |
| 2.5.1 Caffe框架简介 | 第25-26页 |
| 2.5.2 卷积神经网络的GPU训练 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于区域卷积神经网络的人脸检测 | 第27-42页 |
| 3.1 引言 | 第27页 |
| 3.2 基于区域卷积神经网络的人脸检测系统 | 第27-28页 |
| 3.3 区域生成网络 | 第28-31页 |
| 3.4 人脸图像分类网络 | 第31-33页 |
| 3.5 算法的优化与改进 | 第33-35页 |
| 3.5.1 数据增强 | 第33页 |
| 3.5.2 随机梯度下降 | 第33-34页 |
| 3.5.3 网络学习率 | 第34-35页 |
| 3.6 实验结果与分析 | 第35-41页 |
| 3.6.1 网络训练实验 | 第36-37页 |
| 3.6.2 人脸检测实验 | 第37-38页 |
| 3.6.3 在人脸数据集上的检测效果 | 第38-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于深度残差卷积神经网络的人脸检测 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 深层网络优化的难题 | 第42-43页 |
| 4.3 残差学习 | 第43-45页 |
| 4.4 残差卷积神经网络 | 第45-49页 |
| 4.4.1 Batch Normalization | 第45-46页 |
| 4.4.2 网络参数初始化 | 第46-47页 |
| 4.4.3 Residual Block局部单元 | 第47-49页 |
| 4.5 基于深度残差卷积神经网络的人脸检测模型 | 第49-50页 |
| 4.6 实验结果与分析 | 第50-56页 |
| 4.6.1 网络训练实验 | 第50-51页 |
| 4.6.2 人脸检测对比实验 | 第51-52页 |
| 4.6.3 在人脸数据集上的检测效果 | 第52-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 展望与总结 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间的研究成果 | 第65页 |