面向人脸对齐的深度学习方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 2 人脸对齐相关理论与技术 | 第14-28页 |
| 2.1 概述 | 第14页 |
| 2.2 形状回归方法 | 第14-17页 |
| 2.2.1 级联形状回归 | 第14-16页 |
| 2.2.2 有监督的下降法 | 第16-17页 |
| 2.3 深度学习方法 | 第17-27页 |
| 2.3.1 神经网络 | 第17-19页 |
| 2.3.2 反向传播算法 | 第19-21页 |
| 2.3.3 栈式自编码网络SAE | 第21-24页 |
| 2.3.4 卷积神经网络CNN | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 实验数据选择和预处理 | 第28-31页 |
| 3.1 概述 | 第28-29页 |
| 3.2 数据集 | 第29页 |
| 3.3 数据预处理 | 第29-30页 |
| 3.3.1 数据集扩充 | 第29页 |
| 3.3.2 数据归一化 | 第29-30页 |
| 3.4 实验评估标准 | 第30页 |
| 3.5 实验环境 | 第30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 基于栈式自编码网络的人脸对齐 | 第31-48页 |
| 4.1 引言 | 第31页 |
| 4.2 两阶段级联自编码网络模型 | 第31-43页 |
| 4.2.1 人脸形状初始化 | 第32-33页 |
| 4.2.2 模型预训练 | 第33-34页 |
| 4.2.3 人脸形状再调整 | 第34-36页 |
| 4.2.4 SIFT算法 | 第36-41页 |
| 4.2.5 局部像素特征 | 第41-43页 |
| 4.3 智能的神经网络训练方法 | 第43-44页 |
| 4.4 实验设计与分析 | 第44-47页 |
| 4.4.1 实验细节补充 | 第44页 |
| 4.4.2 实验结果分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于卷积神经网络的人脸对齐 | 第48-60页 |
| 5.1 引言 | 第48页 |
| 5.2 双流卷积神经网络模型 | 第48-55页 |
| 5.2.1 人脸形状初始化 | 第49-50页 |
| 5.2.2 多模态距离度量学习 | 第50-51页 |
| 5.2.3 双流结构和特征融合 | 第51-55页 |
| 5.3 实验设计与分析 | 第55-59页 |
| 5.3.1 实验细节补充 | 第55页 |
| 5.3.2 实验结果分析 | 第55-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结及展望 | 第60-62页 |
| 6.1 全文工作总结 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
| A.作者在攻读学位期间取得的研究成果 | 第68页 |
| B.作者在攻读学位期间参与的科研项目 | 第68页 |
