基于深度学习的加速多姿态人脸识别算法的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及评述 | 第11-13页 |
| 1.2.1 深度学习在图像领域的巨大进展 | 第11-12页 |
| 1.2.2 人脸识别技术的进展 | 第12-13页 |
| 1.3 深度学习发展概述 | 第13-14页 |
| 1.4 论文主要工作 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第2章 基于深度学习的多姿态人脸识别的理论基础 | 第16-28页 |
| 2.1 深度学习的理论 | 第16-18页 |
| 2.1.1 深度学习与传统模式识别对比 | 第16-17页 |
| 2.1.2 深度学习与浅层神经网络对比 | 第17-18页 |
| 2.2 深度学习分类 | 第18-23页 |
| 2.2.1 卷积神经网络 | 第18-22页 |
| 2.2.2 深度置信网络 | 第22-23页 |
| 2.2.3 循环神经网络(RNN) | 第23页 |
| 2.3 人脸识别流程 | 第23-24页 |
| 2.4 多姿态人脸识别算法简介 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 改进的多姿态人脸识别算法 | 第28-36页 |
| 3.1 主成分分析 | 第28页 |
| 3.2 Gabor变换 | 第28-30页 |
| 3.3 改进的深度卷积神经网络人脸识别模型 | 第30-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 人脸识别算法优化加速 | 第36-50页 |
| 4.1 深度学习网络模型压缩 | 第37-39页 |
| 4.1.1 神经网络模型剪枝 | 第37-38页 |
| 4.1.2 神经网络模型融合 | 第38-39页 |
| 4.2 GPU算法加速 | 第39-48页 |
| 4.2.1 GPU硬件架构 | 第39-41页 |
| 4.2.2 GPU软件架构 | 第41-43页 |
| 4.2.3 GPU并行算法设计及优化方法 | 第43-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第5章 实验与结果分析 | 第50-56页 |
| 5.1 实验数据集介绍 | 第50-51页 |
| 5.2 实验方法 | 第51-52页 |
| 5.3 实验结果展示和分析 | 第52-54页 |
| 5.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
