| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 亲属关系认证的理论基础 | 第14-29页 |
| 2.1 有监督分类模型 | 第14-17页 |
| 2.1.1 最大间隔分类原理 | 第14-17页 |
| 2.1.2 分类非线性映射函数 | 第17页 |
| 2.2 亲属关系距离度量学习模型 | 第17-21页 |
| 2.2.1 距离度量学习基本思想 | 第17-18页 |
| 2.2.2 非监督距离度量学习 | 第18-20页 |
| 2.2.3 监督距离度量学习 | 第20-21页 |
| 2.3 深度学习 | 第21-28页 |
| 2.3.1 深度学习机制 | 第21-22页 |
| 2.3.2 深度学习抽象特征学习基本思想 | 第22-24页 |
| 2.3.4 神经网络传播算法 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于局部特征融合的邻域排斥度量学习亲属关系认证算法 | 第29-42页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于局部特征融合的邻域排斥度量学习亲属关系认证算法 | 第30-37页 |
| 3.2.1 局部特征级联融合 | 第31-32页 |
| 3.2.2 邻域排斥度量学习 | 第32-35页 |
| 3.2.3 局部特征加权表示 | 第35-37页 |
| 3.3 实验结果分析 | 第37-41页 |
| 3.3.1 KinFaceW-Ⅰ数据库 | 第38-40页 |
| 3.3.2 KinFaceW-Ⅱ数据库 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于重构特征的局部邻域排斥度量学习亲属关系认证算法 | 第42-53页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于重构特征的邻域排斥度量学习亲属关系认证算法 | 第43-46页 |
| 4.2.1 重构特征的特征提取方法 | 第44-45页 |
| 4.2.2 局部邻域排斥度量学习算法 | 第45-46页 |
| 4.3 实验部分 | 第46-52页 |
| 4.3.1 实验数据库以及评估原型 | 第46-47页 |
| 4.3.2 特征提取 | 第47-48页 |
| 4.3.3 分类器 | 第48页 |
| 4.3.4 实验结果和分析 | 第48-49页 |
| 4.3.5 对新鲜样本的适应能力 | 第49-50页 |
| 4.3.6 计算复杂度 | 第50-51页 |
| 4.3.7 对影响实验性能两个因素的探究 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 基于深度卷积神经网络End-to-End模型的亲属关系认证算法 | 第53-65页 |
| 5.1 引言 | 第53-54页 |
| 5.2.基于卷积神经网络End-to-End模型的亲属关系认证算法 | 第54-59页 |
| 5.2.1 Siamese Network | 第55-56页 |
| 5.2.2 单分支卷积神经网络 | 第56-58页 |
| 5.2.3 训练方法 | 第58-59页 |
| 5.3.实验结果分析 | 第59-63页 |
| 5.3.1 实验数据库 | 第59-60页 |
| 5.3.2 实验步骤 | 第60-61页 |
| 5.3.3 实验结果分析 | 第61-63页 |
| 5.3.4 训练数据库对实验结果的影响 | 第63页 |
| 5.4 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第72-73页 |
| 致谢 | 第73页 |
