基于深度学习的人脸特征表示与人脸检索算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题讲究的背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于传统方法的人脸特征提取研究 | 第12-13页 |
| 1.2.2 基于深度学习的人脸特征提取研究 | 第13-15页 |
| 1.3 研究内容和论文组织结构 | 第15-18页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 论文组织结构 | 第15-18页 |
| 第二章 相关理论 | 第18-30页 |
| 2.1 前言 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-25页 |
| 2.2.1 全连接与卷积 | 第20-21页 |
| 2.2.2 激活函数层 | 第21-23页 |
| 2.2.3 归一化层 | 第23页 |
| 2.2.4 池化层 | 第23-24页 |
| 2.2.5 参数初始化 | 第24-25页 |
| 2.3 数据集 | 第25-28页 |
| 2.3.1 LFW | 第25-26页 |
| 2.3.2 MegaFace | 第26-27页 |
| 2.3.3 CASIA-WebFace | 第27页 |
| 2.3.4 MS-Celeb-1M | 第27-28页 |
| 2.3.5 FaceScrub | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 人脸特征提取的网络设计 | 第30-38页 |
| 3.1 前言 | 第30页 |
| 3.2 常见的卷积神经网络的网络结构 | 第30-33页 |
| 3.2.1 AlexNet | 第30-31页 |
| 3.2.2 VGGNet | 第31-32页 |
| 3.2.3 GoogleNet | 第32-33页 |
| 3.2.4 ResNet | 第33页 |
| 3.3 网络结构设计 | 第33-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 人脸特征提取的监督函数设计 | 第38-56页 |
| 4.1 前言 | 第38-39页 |
| 4.2 常见的人脸特征提取的方法 | 第39-43页 |
| 4.2.1 DeepID | 第39-40页 |
| 4.2.2 DeepID2 | 第40-41页 |
| 4.2.3 FaceNet | 第41-42页 |
| 4.2.4 Center Loss | 第42-43页 |
| 4.3 监督函数设计 | 第43-50页 |
| 4.3.1 监督学习策略对人脸特征向量的影响 | 第43-45页 |
| 4.3.2 人脸图像质量对人脸特征向量的影响 | 第45-46页 |
| 4.3.3 角度softmax loss | 第46-47页 |
| 4.3.4 角度提升结构损失函数 | 第47-50页 |
| 4.4 本章实验 | 第50-53页 |
| 4.4.1 数据预处理 | 第50-51页 |
| 4.4.2 训练流程 | 第51-52页 |
| 4.4.3 实验结果与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-56页 |
| 第五章 人脸特征的深度哈希 | 第56-66页 |
| 5.1 前言 | 第56-57页 |
| 5.2 常见的哈希方法 | 第57-58页 |
| 5.2.1 感知哈希算法 | 第57页 |
| 5.2.2 深度二进制哈希 | 第57-58页 |
| 5.3 人脸特征哈希 | 第58-61页 |
| 5.3.1 基于度量学习的人脸特征哈希 | 第58-60页 |
| 5.3.2 基于自编码的人脸特征哈希 | 第60-61页 |
| 5.4 本章实验 | 第61-64页 |
| 5.4.1 网络结构 | 第61-62页 |
| 5.4.2 训练策略 | 第62页 |
| 5.4.3 实验结果与分析 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 笫六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
