| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 本文工作 | 第14页 |
| 1.3 文章组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 相关技术概述 | 第16-34页 |
| 2.1 传统的人脸检测算法 | 第16-22页 |
| 2.1.1 HeadHunter算法 | 第16-20页 |
| 2.1.2 其他基于AdaBoost变种 | 第20-22页 |
| 2.1.3 小结 | 第22页 |
| 2.2 基于神经网络的人脸检测算法 | 第22-33页 |
| 2.2.1 基于人工神经网络的算法 | 第22页 |
| 2.2.2 卷积神经网络CNN | 第22-24页 |
| 2.2.3 级联卷积神经网络 | 第24-28页 |
| 2.2.4 Faster R-cnn的方法 | 第28-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 使用位置敏感的全卷积神经网络算法的人脸检测 | 第34-42页 |
| 3.1 整体架构 | 第34-35页 |
| 3.2 神经网络骨架 | 第35-38页 |
| 3.2.1 ResNet基础构件 | 第36页 |
| 3.2.2 ResNet骨架的结构 | 第36-38页 |
| 3.3 位置敏感打分图和池化 | 第38-41页 |
| 3.3.1 可视化 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 多尺度位置敏感的全卷积人脸检测神经网络 | 第42-50页 |
| 4.1 整体架构 | 第42-44页 |
| 4.2 特征图来源的多尺度和RoI多尺度 | 第44-45页 |
| 4.2.1 特征图来源的多尺度 | 第44页 |
| 4.2.2 RoI的多尺度 | 第44-45页 |
| 4.3 在线困难负样本挖掘 | 第45-47页 |
| 4.4 训练参数和训练数据 | 第47-48页 |
| 4.4.1 其他训练参数 | 第47页 |
| 4.4.2 训练数据集 | 第47-48页 |
| 4.4.3 训练数据预处理 | 第48页 |
| 4.5 结果示例 | 第48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 实验结果 | 第50-58页 |
| 5.1 机器配置 | 第50页 |
| 5.2 评价指标 | 第50-51页 |
| 5.3 测试数据集 | 第51-52页 |
| 5.4 实验结果对比 | 第52-54页 |
| 5.4.1 多尺度的方法 | 第52-53页 |
| 5.4.2 在线负样本挖掘的有效性 | 第53-54页 |
| 5.4.3 数据预处理的有效性 | 第54页 |
| 5.5 人脸检测数据集上的结果 | 第54-57页 |
| 5.5.1 fddb数据集结果 | 第54-55页 |
| 5.5.2 WIDER FACE数据集结果 | 第55-57页 |
| 5.6 模型速度与大小 | 第57页 |
| 5.7 本章小结 | 第57-58页 |
| 第6章 总结和展望 | 第58-59页 |
| 6.1 总结 | 第58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 检测结果样例 | 第62-64页 |
| 致谢 | 第64页 |