| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 1.4 本文组织结构 | 第20-22页 |
| 第二章 相关理论介绍 | 第22-31页 |
| 2.1 深度学习概述 | 第22-24页 |
| 2.2 卷积神经网络 | 第24-27页 |
| 2.2.1 卷积层 | 第25-26页 |
| 2.2.2 激活层 | 第26-27页 |
| 2.2.3 池化层 | 第27页 |
| 2.2.4 全连接层 | 第27页 |
| 2.3 深度学习框架介绍 | 第27-28页 |
| 2.4 基于深度学习的人脸检测概述 | 第28-29页 |
| 2.4.1 人脸检测数据集 | 第28-29页 |
| 2.4.2 人脸检测模型评价指标 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于SSD的人脸检测算法研究 | 第31-54页 |
| 3.1 SSD原理 | 第31-36页 |
| 3.1.1 SSD网络结构特点 | 第31-34页 |
| 3.1.2 非极大值抑制 | 第34-36页 |
| 3.1.3 与Faster RCNN、YOLO 比较 | 第36页 |
| 3.2 基于SSD的人脸检测网络设计 | 第36-40页 |
| 3.2.1 匹配策略设计 | 第36-38页 |
| 3.2.2 损失函数设计 | 第38-39页 |
| 3.2.3 选择预设框的尺度和宽高比 | 第39-40页 |
| 3.3 网络结构 | 第40-45页 |
| 3.3.1 基础网络 | 第40-43页 |
| 3.3.2 预测网络 | 第43-45页 |
| 3.4 网络模型的训练 | 第45-48页 |
| 3.4.1 VGG16预训练 | 第45-46页 |
| 3.4.2 WiderFace数据集预处理 | 第46-47页 |
| 3.4.3 难分负样本挖掘 | 第47页 |
| 3.4.4 数据增强 | 第47-48页 |
| 3.4.5 训练参数及优化策略 | 第48页 |
| 3.5 实验结果 | 第48-53页 |
| 3.5.1 正负样本比例 | 第48-50页 |
| 3.5.2 检测准确率 | 第50-52页 |
| 3.5.3 检测运行时间 | 第52-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 基于可变形卷积的SSD人脸检测算法研究 | 第54-65页 |
| 4.1 可变形卷积 | 第54-57页 |
| 4.2 DCSSD网络设计 | 第57-61页 |
| 4.2.1 可变形卷积模块的实现 | 第57-58页 |
| 4.2.2 可变形卷积层在Caffe中的配置 | 第58-60页 |
| 4.2.3 基础网络改进结构 | 第60-61页 |
| 4.3 实验与结果 | 第61-64页 |
| 4.3.1 实验环境 | 第61页 |
| 4.3.2 训练参数配置 | 第61-62页 |
| 4.3.3 人脸检测准确率 | 第62-63页 |
| 4.3.4 模型复杂度和运行时间 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 三值化DCSSD网络研究 | 第65-72页 |
| 5.1 网络模型三值化原理 | 第65-66页 |
| 5.1.1 问题公式化 | 第65页 |
| 5.1.2 基于阈值的三值方程近似优化方法 | 第65-66页 |
| 5.2 三值化DCSSD网络训练 | 第66-67页 |
| 5.3 实验结果 | 第67-70页 |
| 5.3.1 三值化DCSSD网络模型准确率 | 第67-69页 |
| 5.3.2 模型尺寸和准确率 | 第69-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-75页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 硕士期间发表学术论文情况 | 第79-80页 |
| 致谢 | 第80页 |