| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 引言 | 第12-25页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 研究现状 | 第14-22页 |
| 1.2.1 人脸识别技术的发展 | 第14-17页 |
| 1.2.2 基于深度学习的人脸身份识别 | 第17-19页 |
| 1.2.3 基于深度学习的人脸表情识别 | 第19-22页 |
| 1.3 论文主要内容与篇章结构 | 第22-25页 |
| 第2章 基于深度度量学习的身份感知人脸表情识别 | 第25-42页 |
| 2.1 相关工作 | 第27-31页 |
| 2.1.1 人脸表情识别 | 第27-28页 |
| 2.1.2 深度卷积神经网络 | 第28页 |
| 2.1.3 度量学习 | 第28-31页 |
| 2.2 基于深度度量学习的人脸表情识别算法 | 第31-36页 |
| 2.2.1 基于(N+M)元组簇损失的深度度量学习 | 第31-33页 |
| 2.2.2 自适应深度度量学习 | 第33-35页 |
| 2.2.3 双分支联合优化网络 | 第35-36页 |
| 2.3 实验 | 第36-41页 |
| 2.3.1 预处理及训练流程 | 第36-37页 |
| 2.3.2 实验结果 | 第37-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 基于难样本生成的人脸表情识别 | 第42-65页 |
| 3.1 相关工作 | 第44-45页 |
| 3.2 难样本生成 | 第45-51页 |
| 3.2.1 特征空间语义感知损失 | 第46-47页 |
| 3.2.2 对称性损失 | 第47-48页 |
| 3.2.3 对抗性损失 | 第48-49页 |
| 3.2.4 身份保持损失 | 第49-50页 |
| 3.2.5 像素级相似损失 | 第50页 |
| 3.2.6 优化目标融合 | 第50-51页 |
| 3.3 径向度量学习 | 第51-55页 |
| 3.4 实验 | 第55-64页 |
| 3.4.1 数据集 | 第55-56页 |
| 3.4.2 预处理及训练流程 | 第56-58页 |
| 3.4.3 辅助网络的烧蚀实验 | 第58-59页 |
| 3.4.4 实验结果 | 第59-64页 |
| 3.5 本章小结 | 第64-65页 |
| 第4章 基于对抗训练的人脸身份与属性特征剥离及识别 | 第65-79页 |
| 4.1 相关工作 | 第67-68页 |
| 4.2 特征级弗兰肯斯坦框架 | 第68-74页 |
| 4.2.1 问题定义 | 第68-69页 |
| 4.2.2 框架结构 | 第69-72页 |
| 4.2.3 独立性分析 | 第72页 |
| 4.2.4 平衡条件 | 第72-74页 |
| 4.3实验 | 第74-78页 |
| 4.3.1 对光照鲁棒的人脸识别 | 第74-75页 |
| 4.3.2 化妆人脸识别 | 第75-77页 |
| 4.3.3 人脸身份与属性识别 | 第77页 |
| 4.3.4 伪装人脸识别 | 第77-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第5章 基于人脸图片集的身份识别 | 第79-101页 |
| 5.1 相关工作 | 第82-84页 |
| 5.2 集内依赖性控制 | 第84-89页 |
| 5.2.1 基于演员-评论家增强学习的图片集人脸识别 | 第85-87页 |
| 5.2.2 具有经验重播的异策略演员-评论家增强学习 | 第87-88页 |
| 5.2.3 与时序注意力模型相结合 | 第88-89页 |
| 5.3 姿态引导的集合间依赖模型 | 第89-92页 |
| 5.3.1 无参数的姿态引导表示 | 第90页 |
| 5.3.2 基于尺度学习的姿态引导表示 | 第90-92页 |
| 5.4 实验 | 第92-100页 |
| 5.4.1 基于IJB-A/B/C数据集的测试结果 | 第92-96页 |
| 5.4.2 基于YouTube Face数据集的测试结果 | 第96-97页 |
| 5.4.3 基于Celebrity-1000 数据集的测试结果 | 第97-100页 |
| 5.5 本章小结 | 第100-101页 |
| 第6章 总结与展望 | 第101-104页 |
| 6.1 本文的主要工作 | 第101-102页 |
| 6.2 研究展望 | 第102-104页 |
| 参考文献 | 第104-119页 |
| 致谢 | 第119-120页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第120-123页 |
