| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第17-25页 |
| 1.1 研究背景及研究意义 | 第17-19页 |
| 1.2 研究现状及发展趋势 | 第19-22页 |
| 1.2.1 语音识别和信号处理 | 第20页 |
| 1.2.2 物体识别 | 第20-21页 |
| 1.2.3 自然语言处理 | 第21页 |
| 1.2.4 多任务和迁移学习 | 第21-22页 |
| 1.3 创新性成果与主要内容 | 第22-23页 |
| 1.4 文章布局 | 第23-25页 |
| 2 研究基础 | 第25-58页 |
| 2.1 人工神经网络 | 第25-28页 |
| 2.1.1 浅层学习 | 第25-27页 |
| 2.1.2 多层架构与表示学习 | 第27-28页 |
| 2.2 卷积神经网络 | 第28-46页 |
| 2.2.1 网络结构 | 第29-43页 |
| 2.2.2 深度卷积神经网络 | 第43-46页 |
| 2.3 生成对抗网络 | 第46-58页 |
| 2.3.1 理论结果 | 第48-50页 |
| 2.3.2 条件生成对抗网络 | 第50-51页 |
| 2.3.3 深度卷积生成对抗网络 | 第51-52页 |
| 2.3.4 评估方法 | 第52-55页 |
| 2.3.5 不同生成对抗网络模型的比较 | 第55-58页 |
| 3 基于生成对抗自编码器的图像表示学习 | 第58-83页 |
| 3.1 引言 | 第58-59页 |
| 3.2 自动编码器及流形结构 | 第59-63页 |
| 3.2.1 自动编码器 | 第59-61页 |
| 3.2.2 流形结构 | 第61-63页 |
| 3.3 生成对抗自编码器模型 | 第63-69页 |
| 3.3.1 生成器G | 第63-67页 |
| 3.3.2 鉴别器D | 第67-68页 |
| 3.3.3 损失函数 | 第68-69页 |
| 3.4 训练细节 | 第69-77页 |
| 3.4.1 训练集 | 第69-71页 |
| 3.4.2 样本预处理 | 第71-72页 |
| 3.4.3 优化算法的选择 | 第72-74页 |
| 3.4.4 标签的单边平滑化 | 第74-75页 |
| 3.4.5 超参数的选取 | 第75-77页 |
| 3.5 算法分析与实验结果 | 第77-82页 |
| 3.5.1 样本融合实验 | 第77-78页 |
| 3.5.2 生成分布连续性实验 | 第78-81页 |
| 3.5.3 应用意义 | 第81-82页 |
| 3.6 本章总结 | 第82-83页 |
| 4 基于特征保持条件生成对抗网络的域适应性模型 | 第83-106页 |
| 4.1 引言 | 第83-84页 |
| 4.2 迁移学习与域适应 | 第84-88页 |
| 4.2.1 迁移学习(transfer learning)与域适应(domain adaptation) | 第84-88页 |
| 4.3 保持身份特征的条件生成对抗网络 | 第88-100页 |
| 4.3.1 图像到图像转换问题的流形解释 | 第89页 |
| 4.3.2 训练条件生成对抗网络 | 第89-92页 |
| 4.3.3 生成数据集 | 第92页 |
| 4.3.4 训练编码器 | 第92-94页 |
| 4.3.5 用联合损失函数(Joint-loss)进行微调(Fine-tune) | 第94-96页 |
| 4.3.6 用高斯滤波(Gaussian filter)进行后置处理(Post-process) | 第96-99页 |
| 4.3.7 补充细节 | 第99-100页 |
| 4.4 算法分析与实验结果 | 第100-105页 |
| 4.4.1 对IPcGAN的评估 | 第100-101页 |
| 4.4.2 保持身份信息的人脸重构 | 第101-102页 |
| 4.4.3 定量检测生成样本质量 | 第102-105页 |
| 4.5 本章总结 | 第105-106页 |
| 5 结论与展望 | 第106-109页 |
| 5.1 研究结论 | 第106-107页 |
| 5.2 研究展望 | 第107-109页 |
| 参考文献 | 第109-117页 |
| 发表文章目录 | 第117页 |
