基于深度学习的互联网图片人脸检索系统
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 主要难点与方法 | 第13-16页 |
| 1.3.1 互联网人脸特征表示 | 第13页 |
| 1.3.2 人脸数据规模 | 第13-15页 |
| 1.3.3 深度模型复杂性 | 第15-16页 |
| 1.4 研究内容和贡献 | 第16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 2 相关研究进展 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 哈希算法综述 | 第18-23页 |
| 2.2.1 数据无关的哈希算法 | 第18-19页 |
| 2.2.2 数据相关的哈希算法 | 第19-20页 |
| 2.2.3 基于深度学习的哈希算法 | 第20-21页 |
| 2.2.4 基于哈希算法的搜索策略 | 第21-23页 |
| 2.3 人脸检索评价指标 | 第23-24页 |
| 2.4 网络压缩综述 | 第24-26页 |
| 2.4.1 结构优化方式 | 第24-25页 |
| 2.4.2 剪枝方式 | 第25-26页 |
| 2.4.3 其他方式 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于深度哈希的人脸检索算法 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 深度哈希算法分析 | 第27-28页 |
| 3.3 基于分类和量化误差的深度哈希算法 | 第28-35页 |
| 3.3.1 深度哈希函数 | 第28-30页 |
| 3.3.2 目标损失函数 | 第30-31页 |
| 3.3.3 网络训练过程 | 第31-33页 |
| 3.3.4 层次特征融合 | 第33-34页 |
| 3.3.5 检索策略选择 | 第34-35页 |
| 3.4 人脸检索结果与分析 | 第35-42页 |
| 3.4.1 评价准则和实验设置 | 第36页 |
| 3.4.2 互联网人脸图片数据库 | 第36-37页 |
| 3.4.3 实验结果与分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 人脸检索算法的深度模型压缩 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 问题分析 | 第43-45页 |
| 4.2.1 深度网络模型 | 第43-44页 |
| 4.2.2 DHCQ方法的不足 | 第44-45页 |
| 4.2.3 网络压缩意义 | 第45页 |
| 4.3 压缩算法优劣分析 | 第45-48页 |
| 4.3.1 基于矩阵分解的网络压缩 | 第45-46页 |
| 4.3.2 基于结构优化的网络压缩 | 第46-47页 |
| 4.3.3 基于剪枝量化的网络压缩 | 第47-48页 |
| 4.4 DHCQ算法的模型压缩 | 第48-53页 |
| 4.4.1 网络剪枝 | 第49-50页 |
| 4.4.2 量化权值与权值共享 | 第50-51页 |
| 4.4.3 霍夫曼编码 | 第51页 |
| 4.4.4 实验结果与分析 | 第51-53页 |
| 4.5 本章总结 | 第53-54页 |
| 5 大规模互联网图片人脸检索系统实现 | 第54-61页 |
| 5.1 引言 | 第54页 |
| 5.2 系统概要设计 | 第54-55页 |
| 5.3 系统主要功能 | 第55-56页 |
| 5.4 系统运行结果展示 | 第56-59页 |
| 5.5 本章小结 | 第59-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 全文工作结论 | 第61-62页 |
| 6.2 未来工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69页 |
