| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 专业术语说明 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 人脸识别技术发展现状与应用领域 | 第10-13页 |
| 1.1.1 人脸识别技术发展现状 | 第10-11页 |
| 1.1.2 人脸识别技术应用领域 | 第11-13页 |
| 1.1.2.1 安防监控领域 | 第11-13页 |
| 1.1.2.2 金融商业领域 | 第13页 |
| 1.2 异构人脸识别 | 第13-15页 |
| 1.2.1 异构人脸识别研究背景 | 第14页 |
| 1.2.2 异构人脸识别的挑战 | 第14-15页 |
| 1.3 NIR-VIS异构人脸识别研究现状 | 第15-16页 |
| 1.3.1 图片合成方法 | 第15页 |
| 1.3.2 子空间方法 | 第15页 |
| 1.3.3 特征表示方法 | 第15-16页 |
| 1.4 本文主要工作及结构安排 | 第16-18页 |
| 1.4.1 本文主要工作 | 第16-17页 |
| 1.4.2 本文结构安排 | 第17-18页 |
| 第二章 NIR-VIS异构人脸识别系统 | 第18-28页 |
| 2.1 基于深度学习的NIR-VIS异构人脸识别系统 | 第18-20页 |
| 2.1.1 学习训练 | 第18-19页 |
| 2.1.2 识别部署 | 第19-20页 |
| 2.2 典型方法综述 | 第20-24页 |
| 2.3 基于人脸属性的NIR-VIS异构人脸识别算法 | 第24-25页 |
| 2.4 相关人脸数据集及评价方式 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 VIS域人脸识别和人脸属性预测多任务学习 | 第28-46页 |
| 3.1 人脸属性及其在人脸识别中的应用 | 第28-29页 |
| 3.2 多任务学习与人脸识别 | 第29-30页 |
| 3.3 人脸识别和人脸属性预测多任务学习 | 第30-40页 |
| 3.3.1 CASIA-WebFace数据库人脸属性提取 | 第30-35页 |
| 3.3.2 人脸识别和属性预测多任务学习 | 第35-40页 |
| 3.3.2.1 人脸特征提取 | 第35-37页 |
| 3.3.2.2 人脸识别 | 第37页 |
| 3.3.2.3 人脸属性预测 | 第37页 |
| 3.3.2.4 多任务学习方式选择 | 第37-39页 |
| 3.3.2.5 目标损失函数 | 第39-40页 |
| 3.4 实验设置 | 第40-41页 |
| 3.4.1 参数设置 | 第40页 |
| 3.4.2 人脸识别和属性预测任务学习策略 | 第40-41页 |
| 3.5 算法评估 | 第41-44页 |
| 3.5.1 LFW View2协议下的识别性能 | 第41-42页 |
| 3.5.2 LFW BLUFR协议下的识别性能 | 第42-44页 |
| 3.5.3 实验过程分析 | 第44页 |
| 3.6 本章小结 | 第44-46页 |
| 第四章 基于人脸属性的NIR-VIS异构人脸识别 | 第46-62页 |
| 4.1 基于人脸属性的NIR-VIS异构人脸识别框架 | 第46-47页 |
| 4.1.1 NIR和VIS人脸图片预处理 | 第46-47页 |
| 4.1.2 NIR和VIS人脸分类 | 第47页 |
| 4.1.3 NIR和VIS人脸属性预测 | 第47页 |
| 4.1.4 跨域学习 | 第47页 |
| 4.2 三元组损失 | 第47-53页 |
| 4.2.1 特征归一化 | 第49-52页 |
| 4.2.1.1 理论分析 | 第49-51页 |
| 4.2.1.2 实验分析 | 第51-52页 |
| 4.2.2 特征尺度放大 | 第52页 |
| 4.2.3 三元组数据挖掘 | 第52-53页 |
| 4.3 目标损失函数 | 第53-54页 |
| 4.4 实验设置 | 第54-55页 |
| 4.4.1 参数设置 | 第54页 |
| 4.4.2 异构人脸识别和属性预测任务学习策略 | 第54-55页 |
| 4.5 算法分析与对比 | 第55-61页 |
| 4.5.1 算法分析 | 第55-60页 |
| 4.5.2 算法对比 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 论文工作总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
