基于卷积神经网络的人脸识别系统设计与实现
摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第8-12页 |
1.1 研究背景及意义 | 第8-9页 |
1.2 卷积神经网络概述 | 第9-10页 |
1.3 人脸识别研究现状 | 第10-11页 |
1.4 论文结构安排 | 第11-12页 |
第二章 机器学习与神经网络 | 第12-32页 |
2.1 监督学习 | 第12-18页 |
2.1.1 线性回归 | 第12-15页 |
2.1.2 逻辑回归 | 第15-16页 |
2.1.3 广义线性模型 | 第16-18页 |
2.2 人工神经网络 | 第18-22页 |
2.2.1 网络结构 | 第18-19页 |
2.2.2 神经网络的分类能力 | 第19-21页 |
2.2.3 过拟合与欠拟合 | 第21-22页 |
2.3 卷积神经网络 | 第22-27页 |
2.3.1 网络结构 | 第22-24页 |
2.3.2 LeNet神经网络 | 第24-25页 |
2.3.3 反向传播算法 | 第25-27页 |
2.4 深度学习框架 | 第27-31页 |
2.4.1 Caffe | 第28-29页 |
2.4.2 Tensorflow | 第29-30页 |
2.4.3 神经网络拟合函数试验 | 第30-31页 |
2.5 本章小结 | 第31-32页 |
第三章 卷积神经网络优化与可视化 | 第32-48页 |
3.1 训练优化 | 第32-44页 |
3.1.1 数据预处理 | 第32-33页 |
3.1.2 参数初始化 | 第33-35页 |
3.1.3 Mini-batch梯度下降算法 | 第35-36页 |
3.1.4 附加动量法 | 第36-37页 |
3.1.5 随机失活 | 第37-38页 |
3.1.6 学习速率衰减 | 第38页 |
3.1.7 权值衰减 | 第38-40页 |
3.1.8 修正线性单元 | 第40-42页 |
3.1.9 批规范化 | 第42-43页 |
3.1.10 Fine-tuning | 第43-44页 |
3.2 卷积神经网络可视化实验 | 第44-47页 |
3.2.1 Caffe可视化 | 第44-45页 |
3.2.2 反卷积可视化 | 第45-47页 |
3.3 本章小结 | 第47-48页 |
第四章 人脸识别系统设计与实现 | 第48-65页 |
4.1 深度网络结构设计 | 第48-55页 |
4.1.1 GoogleNet-V1 | 第48-49页 |
4.1.2 GoogleNet-V3 | 第49-51页 |
4.1.3 ResNet | 第51-52页 |
4.1.4 网络结构设计 | 第52-55页 |
4.2 分类器函数 | 第55-57页 |
4.2.1 三联子损失函数 | 第55-56页 |
4.2.2 中心损失函数 | 第56-57页 |
4.2.3 分类器的选择 | 第57页 |
4.3 人脸识别实验 | 第57-60页 |
4.3.1 实验环境及数据集 | 第57-58页 |
4.3.2 实验结果及分析 | 第58-60页 |
4.4 识别系统设计实现 | 第60-64页 |
4.4.1 系统开发环境介绍 | 第60-61页 |
4.4.2 人脸数据库建立 | 第61-62页 |
4.4.3 人脸识别流程 | 第62-64页 |
4.5 本章小结 | 第64-65页 |
第五章 总结与展望 | 第65-67页 |
5.1 总结 | 第65页 |
5.2 展望 | 第65-67页 |
参考文献 | 第67-69页 |
附录1 攻读硕士学位期间申请的专利 | 第69-70页 |
致谢 | 第70页 |