| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 人脸质量评价国内外研究现状 | 第12-13页 |
| 1.2.2 人脸图像转正国内外研究现状 | 第13-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.3.1 基于卷积神经网络的人脸图像生物学质量评价方法 | 第14-15页 |
| 1.3.2 基于生成对抗网络的人脸转正方法 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-27页 |
| 2.1 深度学习介绍 | 第17-18页 |
| 2.1.1 卷积神经网络 | 第17-18页 |
| 2.1.2 生成对抗网络 | 第18页 |
| 2.2 深度学习框架 | 第18-20页 |
| 2.2.1 Caffe | 第19页 |
| 2.2.2 TensorFlow | 第19-20页 |
| 2.3 生物质量评价和人脸识别技术 | 第20页 |
| 2.3.1 生物学质量评价 | 第20页 |
| 2.3.2 人脸识别 | 第20页 |
| 2.4 数据集介绍 | 第20-22页 |
| 2.5 人脸图像预处理 | 第22-27页 |
| 2.5.1 2D面部对齐 | 第22-24页 |
| 2.5.2 3D面部对齐 | 第24页 |
| 2.5.3 人脸数据标注 | 第24-27页 |
| 第三章 基于轻型卷积神经网络的人脸图像质量评价方法 | 第27-39页 |
| 3.1 算法简介 | 第27页 |
| 3.2 算法动机 | 第27-28页 |
| 3.3 算法流程 | 第28页 |
| 3.4 数据预处理和模型准备 | 第28-32页 |
| 3.4.1 数据预处理 | 第28-30页 |
| 3.4.2 Light CNN模型准备 | 第30-32页 |
| 3.5 实验部分 | 第32-34页 |
| 3.5.1 数据使用 | 第32-33页 |
| 3.5.2 用于人脸识别的Light CNN模型和激活函数选择 | 第33页 |
| 3.5.3 针对失真分类的Light CNN模型 | 第33-34页 |
| 3.6 结果分析 | 第34-36页 |
| 3.6.1 失真分类性能分析 | 第35-36页 |
| 3.7 认知一致性分析 | 第36-38页 |
| 3.7.1 Faceverification分析 | 第37页 |
| 3.7.2 Faceidentification分析 | 第37-38页 |
| 3.8 计算复杂性分析 | 第38页 |
| 3.9 本章小结 | 第38-39页 |
| 第四章 基于生成对抗网络的人脸转正方法 | 第39-58页 |
| 4.1 算法简介 | 第39页 |
| 4.2 算法动机 | 第39-40页 |
| 4.3 算法流程 | 第40-44页 |
| 4.4 人脸合成目标函数的设计 | 第44-47页 |
| 4.5 数据预处理 | 第47页 |
| 4.6 模型训练过程 | 第47-52页 |
| 4.6.1 初始模型与过拟合问题 | 第47-50页 |
| 4.6.2 改进模型与细节优化 | 第50-51页 |
| 4.6.3 最终模型 | 第51-52页 |
| 4.7 合成图像在人脸识别中的测试和对比试验 | 第52-56页 |
| 4.7.1 模型分析 | 第52-55页 |
| 4.7.2 Multi-PIE对比试验 | 第55-56页 |
| 4.8 生成对抗模型训练过程 | 第56-57页 |
| 4.9 本章小节 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 附录 | 第70-71页 |
| 详细摘要 | 第71-73页 |
