平滑网络在人脸识别对比损失函数最优化中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 深度神经网络的研究概况 | 第9-11页 |
| 1.2 深度学习中优化算法的研究概况 | 第11-12页 |
| 1.3 人脸识别智能网络的研究概况 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-15页 |
| 第二章 平滑网络 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 延拓法与退火法 | 第15-17页 |
| 2.3 广义平滑子与噪声平滑子 | 第17-18页 |
| 2.4 训练方法 | 第18-19页 |
| 2.5 前向网络的目标函数简化 | 第19-22页 |
| 2.5.1 单元饱和处加入噪声并将网络线性化 | 第19-21页 |
| 2.5.2 目标函数简化 | 第21-22页 |
| 2.6 平滑LSTMs和GRUs模型 | 第22-23页 |
| 2.7 p的退火过程 | 第23-24页 |
| 2.8 第二章小结 | 第24-25页 |
| 第三章 Siamese网络 | 第25-32页 |
| 3.1 简介 | 第25-26页 |
| 3.2 Siamese网络框架 | 第26-31页 |
| 3.2.1 相似性度量下的人脸识别 | 第26页 |
| 3.2.2 EBM能量函数 | 第26-27页 |
| 3.2.3 训练期间的对比损失函数 | 第27-30页 |
| 3.2.4 卷积神经网络CNN | 第30-31页 |
| 3.3 第三章小结 | 第31-32页 |
| 第四章 实证分析 | 第32-44页 |
| 4.1 人脸数据 | 第32-33页 |
| 4.1.1 数据简介 | 第32-33页 |
| 4.1.2 数据预处理 | 第33页 |
| 4.2 CNN网络设置 | 第33-34页 |
| 4.3 训练过程 | 第34-35页 |
| 4.4 结果分析 | 第35-41页 |
| 4.4.1 参数变化 | 第35-36页 |
| 4.4.2 学习效果对比 | 第36-41页 |
| 4.5 本章总结 | 第41-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44-45页 |
| 5.2 不足与展望 | 第45-46页 |
| 第六章 致谢 | 第46-47页 |
| 参考文献 | 第47-48页 |
