基于高波卷积神经网络的人脸识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 引言 | 第9-17页 |
| 1.1 生物特征识别技术 | 第9-11页 |
| 1.1.1 生物特征识别技术分类 | 第9-11页 |
| 1.1.2 生物识别特征评估 | 第11页 |
| 1.2 人脸识别 | 第11-15页 |
| 1.2.1 人脸识别研究内容 | 第12页 |
| 1.2.2 人脸识别研究方法 | 第12-15页 |
| 1.2.3 人脸识别研究难点 | 第15页 |
| 1.3 本文主要研究内容与章节安排 | 第15-17页 |
| 2. 深度学习 | 第17-26页 |
| 2.1 什么是深度学习 | 第17-19页 |
| 2.1.1 深度学习背景 | 第17-18页 |
| 2.1.2 深度学习动机 | 第18-19页 |
| 2.2 深度信念网络 | 第19-23页 |
| 2.2.1 RBM结构 | 第19-21页 |
| 2.2.2 RBM学习算法 | 第21-22页 |
| 2.2.3 逐层贪婪训练算法 | 第22-23页 |
| 2.3 堆栈自动编码器 | 第23-24页 |
| 2.4 深层结构的局限 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3. 卷积神经网络及算法 | 第26-35页 |
| 3.1 卷积神经网络结构 | 第26-30页 |
| 3.1.1 卷积层 | 第26-29页 |
| 3.1.2 池化层 | 第29-30页 |
| 3.2 卷积神经网络学习算法 | 第30-34页 |
| 3.2.1 误差反向传播算法 | 第30-32页 |
| 3.2.2 卷积层梯度计算 | 第32-33页 |
| 3.2.3 池化层梯度计算 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4. 高波卷积神经网络模型(GCNN) | 第35-50页 |
| 4.1 二维Gabor小波 | 第35-37页 |
| 4.2 改进的卷积神经网络结构 | 第37-47页 |
| 4.2.1 G1高波层 | 第38-41页 |
| 4.2.2 S2池化层 | 第41-43页 |
| 4.2.3 C3卷积层 | 第43-45页 |
| 4.2.4 S4池化层 | 第45页 |
| 4.2.5 Softmax回归层 | 第45-47页 |
| 4.3 GCNN学习算法 | 第47-49页 |
| 4.3.1 Mini-Batch随机梯度下降 | 第47页 |
| 4.3.2 Dropout技术的引入 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5. 基于GCNN的人脸识别实验 | 第50-62页 |
| 5.1 人脸数据库及预处理 | 第50-51页 |
| 5.2 实验与讨论 | 第51-59页 |
| 5.3 GCNN各层特征图可视化 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6. 总结与展望 | 第62-64页 |
| 6.1 本文主要工作 | 第62页 |
| 6.2 下一步工作思路 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 在学期间公开发表论文及著作情况 | 第69页 |
