基于迁移学习的人脸识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究工作及章节安排 | 第11-13页 |
| 2 人脸识别和人脸表情识别技术基础 | 第13-29页 |
| 2.1 引言 | 第13-14页 |
| 2.2 人脸识别简介 | 第14-16页 |
| 2.3 特征提取 | 第16-20页 |
| 2.3.1 DeepID网特征提取算法 | 第16-19页 |
| 2.3.2 Gabor小波特征提取方法 | 第19-20页 |
| 2.4 降维处理 | 第20-22页 |
| 2.5 分类器 | 第22-28页 |
| 2.5.1 k-近邻法及模糊k近邻分类器 | 第22-23页 |
| 2.5.2 支持向量机SVM | 第23-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 迁移学习的发展与研究 | 第29-34页 |
| 3.1 引言 | 第29页 |
| 3.2 迁移学习概念与分类 | 第29-31页 |
| 3.3 迁移学习未来发展展望 | 第31-32页 |
| 3.4 人脸识别中的迁移学习简介 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 基于特征迁移的人脸识别方法研究 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 简述特征迁移 | 第34-35页 |
| 4.3 低维特征表示 | 第35-36页 |
| 4.4 基于LPP的多源特征迁移 | 第36-43页 |
| 4.4.1 系统原理介绍 | 第36-38页 |
| 4.4.2 迁移源特征筛选 | 第38-40页 |
| 4.4.3 LPP特征迁移研究及其算法步骤 | 第40-43页 |
| 4.5 试验结果与分析 | 第43-48页 |
| 5 基于迁移学习的跨领域表情识别 | 第48-57页 |
| 5.1 引言 | 第48页 |
| 5.2 协方差偏移算法 | 第48-52页 |
| 5.2.1 核均值匹配(KMM)算法 | 第49页 |
| 5.2.2 无约束最小二乘重要性拟合法 | 第49-51页 |
| 5.2.3 KL重要性估计过程 | 第51-52页 |
| 5.3 重要性加权支持向量机 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-60页 |
| 6.1 总结 | 第57-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 附录 | 第66-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76-80页 |
