基于深度卷积神经网络的鲁棒人脸识别算法研究
| 摘要 | 第4-6页 |
| 英文摘要 | 第6-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 选题背景与研究意义 | 第14-15页 |
| 1.2 深度神经网络的相关研究 | 第15-17页 |
| 1.3 深度神经网络在人脸识别领域的研究现状 | 第17-18页 |
| 1.4 面临的主要问题和挑战 | 第18-19页 |
| 1.5 本文的研究目标 | 第19-20页 |
| 1.6 本文主要工作和创新点 | 第20-21页 |
| 1.7 本文的组织结构 | 第21-24页 |
| 第二章 深度卷积神经网络与人脸识别概述 | 第24-38页 |
| 2.1 引言 | 第24-25页 |
| 2.2 深度卷积神经网络 | 第25-31页 |
| 2.2.1 卷积操作 | 第25-27页 |
| 2.2.2 常见网络层 | 第27-30页 |
| 2.2.3 网络优化器 | 第30-31页 |
| 2.3 人脸识别方法论 | 第31-37页 |
| 2.3.1 基于子空间的人脸识别算法 | 第32-33页 |
| 2.3.2 基于LBP特征的人脸识别算法 | 第33-35页 |
| 2.3.3 基于贝叶斯方法的人脸识别算法 | 第35-36页 |
| 2.3.4 基于深度卷积神经网络的人脸识别算法 | 第36-37页 |
| 2.4 人脸识别性能评价 | 第37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 一种有效的深度人脸识别网络训练框架 | 第38-52页 |
| 3.1 引言 | 第38-39页 |
| 3.2 相关工作 | 第39-42页 |
| 3.2.1 基于分类的训练框架 | 第40-41页 |
| 3.2.2 基于度量的训练框架 | 第41-42页 |
| 3.3 本章训练框架 | 第42-46页 |
| 3.3.1 总体框架 | 第42-43页 |
| 3.3.2 深度神经网络的初始化 | 第43-44页 |
| 3.3.3 自适应微调网络 | 第44-46页 |
| 3.4 实验与分析 | 第46-51页 |
| 3.4.1 实验设置 | 第46-47页 |
| 3.4.2 训练复杂度 | 第47-48页 |
| 3.4.3 人脸验证 | 第48-49页 |
| 3.4.4 人脸身份识别 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 一种噪声鲁棒的人脸识别算法 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 相关工作 | 第53-56页 |
| 4.2.1 基于图像去噪预处理的方法 | 第54-55页 |
| 4.2.2 基于噪声鲁棒人脸表征的方法 | 第55-56页 |
| 4.3 本章方法 | 第56-59页 |
| 4.3.1 总体框架 | 第56-57页 |
| 4.3.2 去噪单元 | 第57-58页 |
| 4.3.3 识别单元 | 第58-59页 |
| 4.4 实验与分析 | 第59-65页 |
| 4.4.1 实验设置 | 第59-60页 |
| 4.4.2 测试复杂度 | 第60-61页 |
| 4.4.3 人脸验证 | 第61-62页 |
| 4.4.4 人脸身份识别 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 总结与未来工作 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 未来工作 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 硕士期间参与的科研项目及发表论文 | 第74-76页 |
| 致谢 | 第76页 |
