基于深度学习的人脸识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 引言 | 第9页 |
| 1.2 人工智能 | 第9-10页 |
| 1.3 研究背景与意义 | 第10-11页 |
| 1.3.1 研究背景 | 第10页 |
| 1.3.2 研究意义 | 第10-11页 |
| 1.4 人脸识别国内外研究现状 | 第11-13页 |
| 1.4.1 基于几何特征的人脸识别方法 | 第11页 |
| 1.4.2 基于子空间的人脸识别方法 | 第11-12页 |
| 1.4.3 基于局部特征描述符方法 | 第12页 |
| 1.4.4 基于支持向量机的人脸识别方法 | 第12页 |
| 1.4.5 基于稀疏表示的方法 | 第12-13页 |
| 1.4.6 基于深度学习方法 | 第13页 |
| 1.5 论文研究内容与章节安排 | 第13-15页 |
| 1.5.1 研究内容 | 第13-14页 |
| 1.5.2 章节安排 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 第二章 卷积神经网络理论基础 | 第16-32页 |
| 2.1 神经网络理论基础 | 第16-26页 |
| 2.1.1 生物神经元与单层感知器 | 第16-18页 |
| 2.1.2 前馈神经网络架构 | 第18页 |
| 2.1.3 梯度下降算法 | 第18-21页 |
| 2.1.4 BP神经网络 | 第21-24页 |
| 2.1.5 受限波尔兹曼机 | 第24-25页 |
| 2.1.6 RBM的学习 | 第25-26页 |
| 2.2 卷积神经网络结构 | 第26-31页 |
| 2.2.1 卷积层 | 第27-29页 |
| 2.2.2 池化层 | 第29-30页 |
| 2.2.3 全连接层 | 第30页 |
| 2.2.4 SoftMax多分类层 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 改进的VGG-Net神经网络模型 | 第32-41页 |
| 3.1 原VGG-Net网络结构介绍 | 第32-36页 |
| 3.1.1 原VGG-Net网络结构 | 第32-34页 |
| 3.1.2 ReLU激活函数 | 第34-35页 |
| 3.1.3 Dropout | 第35-36页 |
| 3.2 改进的VGG-Net网络结构 | 第36-39页 |
| 3.2.1 改进VGG-Net网络模型的训练 | 第38-39页 |
| 3.3 改进VGG-Net模型的优缺点 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 本文算法介绍 | 第41-49页 |
| 4.1 本文算法流程 | 第41-42页 |
| 4.2 人脸图像预处理 | 第42-43页 |
| 4.3 PCA算法降低特征向量维度 | 第43-45页 |
| 4.4 支持向量机 | 第45-48页 |
| 4.5 改进VGG-Net结合PCA与SVM算法 | 第48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 实验结果分析 | 第49-55页 |
| 5.1 深度学习架构介绍 | 第49-50页 |
| 5.2 本文需要的软硬件配置 | 第50-51页 |
| 5.3 人脸识别算法评价方法 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
