基于深度学习的混合特征人脸识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 概述 | 第10-11页 |
| 1.2 人脸识别 | 第11-16页 |
| 1.2.1 人脸识别问题 | 第11-12页 |
| 1.2.2 人脸识别历史和现状 | 第12-15页 |
| 1.2.3 人脸识别的意义和典型的应用 | 第15-16页 |
| 1.3 本文的主要内容 | 第16页 |
| 1.4 本文的章节安排 | 第16-18页 |
| 第2章 人工神经网络基础 | 第18-40页 |
| 2.1 神经网络基本概念 | 第18-20页 |
| 2.2 BP神经网络简介 | 第20-24页 |
| 2.2.1 感知机 | 第20-21页 |
| 2.2.2 多层神经网络 | 第21-22页 |
| 2.2.3 BP神经网络 | 第22-24页 |
| 2.3 深度学习的基础知识 | 第24-38页 |
| 2.3.1 概率论有关基础知识 | 第24页 |
| 2.3.2 深度学习的背景和意义 | 第24-26页 |
| 2.3.3 卷积池化层和卷积神经网络 | 第26-28页 |
| 2.3.4 受限的玻尔兹曼机 | 第28-34页 |
| 2.3.5 深度置信网络 | 第34-37页 |
| 2.3.6 自动编码器以及栈式自动编码器 | 第37-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第3章 面向人脸识别的深度卷积网络模型 | 第40-48页 |
| 3.1 绪论 | 第40页 |
| 3.2 深度卷积网络模型 | 第40-44页 |
| 3.2.1 模型描述 | 第40-41页 |
| 3.2.2 模型的构建过程 | 第41-43页 |
| 3.2.3 模型的训练算法 | 第43-44页 |
| 3.3 混合自适应学习率调整算法 | 第44-46页 |
| 3.3.1 学习率自适应算法 | 第44页 |
| 3.3.2 混合自适应学习率调整算法 | 第44-46页 |
| 3.4 计算平台有限情况下大量样本训练方法 | 第46-47页 |
| 3.4.1 传统的大网络整体训练方法 | 第46页 |
| 3.4.2 多网络多分组方法 | 第46页 |
| 3.4.3 深度卷积网络的结构推算方法 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 实验与结果分析 | 第48-58页 |
| 4.1 实验环境 | 第48页 |
| 4.2 数据集 | 第48-50页 |
| 4.2.1 LFW人脸识别公开库 | 第48-49页 |
| 4.2.2 OlivettiFaces人脸库 | 第49-50页 |
| 4.3 系统结构 | 第50-51页 |
| 4.4 学习率调整实验 | 第51-53页 |
| 4.4.1 网络结构 | 第51-52页 |
| 4.4.2 实验结果分析 | 第52-53页 |
| 4.5 训练方法实验 | 第53-57页 |
| 4.5.1 LFW人脸库图片预处理 | 第53页 |
| 4.5.2 实验结果分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-66页 |
| 致谢 | 第66页 |
