基于卷积神经网络的人脸识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 人脸检测的研究现状 | 第11页 |
| 1.2.1 国内外研究现状 | 第11页 |
| 1.3 检测方法 | 第11-14页 |
| 1.3.1 基于人脸特征的检测方法 | 第12-13页 |
| 1.3.2 基于统计理论的人脸检测方法 | 第13-14页 |
| 1.4 人脸识别的研究现状和方法介绍 | 第14-17页 |
| 1.4.1 基于几何特征方法 | 第16页 |
| 1.4.2 基于统计的识别方法 | 第16-17页 |
| 1.5 论文研究内容以及章节安排 | 第17-18页 |
| 1.6 本章小结 | 第18-20页 |
| 第2章卷积神经网络模型及算法 | 第20-42页 |
| 2.1 神经网络 | 第20-28页 |
| 2.1.1 神经网络的神经元 | 第20-24页 |
| 2.1.2 人工神经网络模型和前向传播 | 第24-25页 |
| 2.1.3 反向算法 | 第25-28页 |
| 2.2 卷积神经网络的结构模型 | 第28-37页 |
| 2.2.1 LeNet-5 模型 | 第28-32页 |
| 2.2.2 卷积神经网络前向传播 | 第32-33页 |
| 2.2.3 卷积神经网络的反向传播算法 | 第33-36页 |
| 2.2.4 网络参数更新 | 第36-37页 |
| 2.3 卷积神经网络的优点 | 第37-40页 |
| 2.3.1 局部连接 | 第37-38页 |
| 2.3.2 权值共享 | 第38-39页 |
| 2.3.3 softmax分类器 | 第39-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第3章基于卷积神经网络的人脸检测 | 第42-54页 |
| 3.1 全卷积神经网络结构 | 第42-45页 |
| 3.1.1 网络结构的描述文件配置 | 第43-45页 |
| 3.2 样本的收集 | 第45-47页 |
| 3.3 实验结果分析 | 第47-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章基于空间金字塔池化的卷积神经网络 | 第54-62页 |
| 4.1 卷积神经网络的缺点 | 第54-55页 |
| 4.2 空间金字塔池化的卷积神经网络 | 第55-60页 |
| 4.2.1 多尺度池化采样 | 第56-58页 |
| 4.2.2 空间金字塔池化卷积神经网络的优点 | 第58页 |
| 4.2.3 网络结构 | 第58-60页 |
| 4.3 本章小结 | 第60-62页 |
| 第5章基于卷积神经网络的人脸识别 | 第62-72页 |
| 5.1 数据预处理 | 第62页 |
| 5.2 权值初始化 | 第62-64页 |
| 5.3 网络的训练方法 | 第64-65页 |
| 5.4 人脸数据库 | 第65-66页 |
| 5.5 实验结果与数据分析 | 第66-71页 |
| 5.5.1 测试样本可视化 | 第67页 |
| 5.5.2 激活函数类型对性能影响 | 第67-70页 |
| 5.5.3 学习率对网络性能的影响 | 第70-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士期间已发表文章 | 第80-82页 |
| 致谢 | 第82页 |
