基于迁移学习的小样本人脸识别研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于传统特征的方法 | 第12页 |
| 1.2.2 基于深度学习的方法 | 第12-15页 |
| 1.3 本文的研究工作和章节安排 | 第15-18页 |
| 1.3.1 本论文研究工作及创新点 | 第15-16页 |
| 1.3.2 章节安排 | 第16-18页 |
| 2 基于迁移学习的人脸识别理论 | 第18-24页 |
| 2.1 主流方法 | 第18-19页 |
| 2.1.1 基于新型神经网络结构的方法 | 第18页 |
| 2.1.2 特征池化方法 | 第18-19页 |
| 2.1.3 基于迁移学习的方法 | 第19页 |
| 2.2 主要难点 | 第19-20页 |
| 2.3 相关深度学习理论基础 | 第20-23页 |
| 2.3.1 自适应动量优化方法(Adam) | 第20页 |
| 2.3.2 正则化与规范化 | 第20-22页 |
| 2.3.3 简单截断法与截断梯度法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 目标领域样本极少时的人脸识别研究 | 第24-36页 |
| 3.1 限制参数学习 | 第25-27页 |
| 3.1.1 源领域知识学习 | 第25-26页 |
| 3.1.2 知识迁移至目标领域 | 第26-27页 |
| 3.2 实验结果及分析 | 第27-35页 |
| 3.2.1 选择合适的超参数 | 第28-29页 |
| 3.2.2 LFW数据集上的实验：相同分布 | 第29-31页 |
| 3.2.3 FERET数据集上的实验：不同分布 | 第31-33页 |
| 3.2.4 通过丰富的特征提升性能 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 非受限场景下的人脸验证研究 | 第36-45页 |
| 4.1 深度迁移网络 | 第37-42页 |
| 4.1.1 人脸二维平面分组对齐 | 第37-38页 |
| 4.1.2 轻量级网络提取特征 | 第38-40页 |
| 4.1.3 三元组损失度量学习 | 第40-41页 |
| 4.1.4 基于注意力机制的特征聚合 | 第41-42页 |
| 4.2 实验结果及分析 | 第42-44页 |
| 4.2.1 实验数据集的选择 | 第42页 |
| 4.2.2 IJB-A数据集上的实验结果 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 作者攻读学位期间取得的研究成果 | 第51页 |
