| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 深度学习研究概况 | 第12-13页 |
| 1.3 人脸识别技术概况 | 第13-16页 |
| 1.3.1 国内外研究现状 | 第13-15页 |
| 1.3.2 主要存在的困难 | 第15-16页 |
| 1.4 论文主要研究内容和章节安排 | 第16-18页 |
| 第二章 浅层神经网络和深度神经网络 | 第18-30页 |
| 2.1 人工神经网络 | 第18-19页 |
| 2.1.1 神经网络的定义和基本结构 | 第18-19页 |
| 2.1.2 神经网络学习算法 | 第19页 |
| 2.2 BP神经网络 | 第19-22页 |
| 2.2.1 BP神经网络模型 | 第20页 |
| 2.2.2 BP算法 | 第20-21页 |
| 2.2.3 BP算法的优劣 | 第21-22页 |
| 2.3 深度信念网络 | 第22-25页 |
| 2.3.1 受限玻尔兹曼机RBM | 第23-24页 |
| 2.3.2 训练RBM | 第24-25页 |
| 2.3.3 训练DBN | 第25页 |
| 2.4 卷积神经网络 | 第25-28页 |
| 2.4.1 卷积神经网络结构 | 第26页 |
| 2.4.2 局部感受、权值共享和池化 | 第26-27页 |
| 2.4.3 训练CNN | 第27页 |
| 2.4.4 卷积神经网络的优点 | 第27-28页 |
| 2.5 softmax分类器 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于深度信念网络的人脸识别 | 第30-38页 |
| 3.1 网络模型 | 第30-31页 |
| 3.2 网络训练算法 | 第31页 |
| 3.3 人脸识别过程 | 第31-33页 |
| 3.4 实验结果与分析 | 第33-37页 |
| 3.4.1 人脸数据库 | 第33页 |
| 3.4.2 探究不同隐层数量网络性能 | 第33-34页 |
| 3.4.3 探究不同隐层节点数网络性能 | 第34-35页 |
| 3.4.4 效果比较 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于卷积神经网络的人脸识别 | 第38-49页 |
| 4.1 网络模型 | 第38-40页 |
| 4.2 人脸识别过程 | 第40-41页 |
| 4.3 池化采样 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-48页 |
| 4.4.1 LFW人脸数据库 | 第42页 |
| 4.4.2 卷积核大小对网络性能的影响 | 第42-44页 |
| 4.4.3 不同池化方法对网络的影响 | 第44-45页 |
| 4.4.4 性能比较 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于卷积神经网络和受限玻尔兹曼机的人脸识别 | 第49-56页 |
| 5.1 网络模型 | 第49-50页 |
| 5.2 人脸识别过程 | 第50-52页 |
| 5.2.1 卷积层梯度计算 | 第52页 |
| 5.2.2 池化层梯度计算 | 第52页 |
| 5.3 输出层标签设置 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 结束语 | 第56-58页 |
| 6.1 论文总结 | 第56-57页 |
| 6.2 未来展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |