| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的背景及研究意义 | 第10页 |
| 1.2 信息融合技术概述 | 第10-14页 |
| 1.2.1 信息融合简介 | 第10-12页 |
| 1.2.2 信息融合研究现况 | 第12-14页 |
| 1.3 深度学习国内外研究现状 | 第14-15页 |
| 1.4 本文拟采用方法及章节安排 | 第15-18页 |
| 第2章 用于方法验证的数据集和网络模型 | 第18-34页 |
| 2.1 用于方法验证的数据集 | 第18-20页 |
| 2.1.1 实验验证使用的数据库 | 第18页 |
| 2.1.2 图像扩充 | 第18-19页 |
| 2.1.3 人脸图像提取 | 第19-20页 |
| 2.2 用于方法验证的网络模型 | 第20-33页 |
| 2.2.2 卷积神经网络模型 | 第21-27页 |
| 2.2.3 长短时记忆模型 | 第27-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 深度学习实现数据级信息融合 | 第34-52页 |
| 3.1 数据级信息融合概述 | 第34-37页 |
| 3.1.1 传统数据级信息融合方法 | 第34-37页 |
| 3.2 数据级图像融合实现图像增强 | 第37-42页 |
| 3.2.1 前期数据预处理 | 第37-38页 |
| 3.2.2 图像融合网络模型 | 第38-42页 |
| 3.3 数据级图像融合提升识别率 | 第42-50页 |
| 3.3.1 实验数据集 | 第42-45页 |
| 3.3.2 实验环境 | 第45-47页 |
| 3.3.3 对比实验 | 第47-48页 |
| 3.3.4 结果分析 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 深度学习实现特征级信息融合 | 第52-72页 |
| 4.1 特征级信息融合技术概述 | 第52-55页 |
| 4.1.1 传统特征级信息融合方法 | 第52-54页 |
| 4.1.2 本章拟采用方法 | 第54-55页 |
| 4.2 前期数据预处理 | 第55-57页 |
| 4.3 利用人脸识别验证特征级信息融合 | 第57-64页 |
| 4.3.1 利用单人脸图像实现 | 第57-60页 |
| 4.3.2 利用多人脸图像实现 | 第60-63页 |
| 4.3.3 结果分析 | 第63-64页 |
| 4.4 利用特征级信息融合实现人脸比对 | 第64-71页 |
| 4.4.1 Siamese损失函数网络模型 | 第64-65页 |
| 4.4.2 利用改进的Siamese损失函数实现人脸比对 | 第65-68页 |
| 4.4.3 实验描述 | 第68-71页 |
| 4.4.4 结果分析 | 第71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 深度学习实现决策级信息融合 | 第72-84页 |
| 5.1 决策级信息融合技术概述 | 第72-77页 |
| 5.1.1 传统决策级信息融合方法 | 第72-75页 |
| 5.1.2 人工神经网络应用于决策级信息融合 | 第75-77页 |
| 5.2 利用决策级信息融合实现视频表情分析 | 第77-81页 |
| 5.2.1 数据预处理 | 第78页 |
| 5.2.2 实验步骤 | 第78-81页 |
| 5.3 实验结果与模型分析 | 第81-83页 |
| 5.3.1 实验结果 | 第81-82页 |
| 5.3.2 模型分析 | 第82-83页 |
| 5.4 本章小结 | 第83-84页 |
| 结论 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第92-94页 |
| 致谢 | 第94-95页 |