基于深度学习的人脸检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 英文缩写表 | 第8-9页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景和意义 | 第9-10页 |
| 1.2 人脸检测技术概述 | 第10-12页 |
| 1.2.1 基于先验规则的方法 | 第10-11页 |
| 1.2.2 基于不变特征的方法 | 第11页 |
| 1.2.3 基于模板匹配的方法 | 第11页 |
| 1.2.4 基于模式识别的方法 | 第11-12页 |
| 1.3 深度学习发展概述 | 第12-14页 |
| 1.4 主要研究内容 | 第14-16页 |
| 第2章 神经网络模型 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 神经元模型 | 第16-17页 |
| 2.3 多层感知器 | 第17-18页 |
| 2.4 神经网络训练 | 第18-22页 |
| 2.4.1 反向传播算法 | 第18-20页 |
| 2.4.2 改进的反向传播算法 | 第20-22页 |
| 2.4.3 反向传播算法的局限性 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 深度学习模型 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 深度学习模型分类 | 第24-26页 |
| 3.2.1 无监督学习深度模型 | 第24-25页 |
| 3.2.2 有监督学习深度模型 | 第25页 |
| 3.2.3 混合深度模型 | 第25-26页 |
| 3.3 受限玻尔兹曼机 | 第26-31页 |
| 3.3.1 受限玻尔兹曼机模型 | 第26-28页 |
| 3.3.2 受限玻尔兹曼机学习 | 第28-31页 |
| 3.4 深度信念网络 | 第31-33页 |
| 3.5 去噪自编码器 | 第33-35页 |
| 3.5.1 自编码器模型 | 第34页 |
| 3.5.2 去噪自编码器模型 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 人脸检测 | 第36-52页 |
| 4.1 引言 | 第36-37页 |
| 4.2 样本采集 | 第37页 |
| 4.3 分类器训练 | 第37-45页 |
| 4.3.1 自举法 | 第38-39页 |
| 4.3.2 四种分类器训练 | 第39-43页 |
| 4.3.3 训练结果和分析 | 第43-45页 |
| 4.4 检测器测试 | 第45-51页 |
| 4.5 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
