基于深度学习的人脸对齐
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人脸对齐 | 第11-12页 |
| 1.2.2 深度学习 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 第二章 深度学习理论基础 | 第15-29页 |
| 2.1 概述 | 第15-16页 |
| 2.2 优化方法 | 第16-19页 |
| 2.2.1 损失函数 | 第16-17页 |
| 2.2.2 学习方法 | 第17页 |
| 2.2.3 自适应学习速率的随机梯度下降方法 | 第17-19页 |
| 2.3 模型 | 第19-24页 |
| 2.3.1 多层前馈网络 | 第19-20页 |
| 2.3.2 深度自编码器 | 第20-21页 |
| 2.3.3 卷积神经网络 | 第21-22页 |
| 2.3.4 递归神经网络 | 第22-24页 |
| 2.4 工具 | 第24-26页 |
| 2.5 正则化 | 第26-29页 |
| 第三章 人脸对齐关键技术 | 第29-43页 |
| 3.1 概述 | 第29页 |
| 3.2 形状建模 | 第29-31页 |
| 3.3 模板匹配法 | 第31-33页 |
| 3.4 基于局部检测的方法 | 第33-36页 |
| 3.5 基于级联回归的方法 | 第36-37页 |
| 3.6 基于深度学习的方法 | 第37-39页 |
| 3.7 大姿态人脸对齐 | 第39-43页 |
| 第四章 基于深度全卷积神经网络的人脸对齐 | 第43-57页 |
| 4.1 概述 | 第43-44页 |
| 4.2 响应映射 | 第44页 |
| 4.3 全卷积神经网络 | 第44-46页 |
| 4.4 形状映射 | 第46-48页 |
| 4.4.1 主成分分析 | 第47-48页 |
| 4.4.2 深度自编码器 | 第48页 |
| 4.5 实验结果 | 第48-57页 |
| 4.5.1 数据集 | 第49-50页 |
| 4.5.2 全卷积神经网络计算 | 第50-51页 |
| 4.5.3 形状映射 | 第51-52页 |
| 4.5.4 与其他方法的比较 | 第52-53页 |
| 4.5.5 与级联回归模型的比较 | 第53-55页 |
| 4.5.6 与模板匹配方法的比较 | 第55-56页 |
| 4.5.7 与普通FCN网络的比较 | 第56-57页 |
| 第五章 结论与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57页 |
| 5.2 论文工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
