| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 主要符号表 | 第11-13页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 研究意义 | 第13页 |
| 1.2 问题描述 | 第13-14页 |
| 1.3 主要困难 | 第14-16页 |
| 1.4 研究现状 | 第16-24页 |
| 1.4.1 深度学习的发展现状 | 第16-20页 |
| 1.4.2 人脸认证的发展现状 | 第20-24页 |
| 1.4.2.1 基于几何特征的人脸认证 | 第20-21页 |
| 1.4.2.2 基于整体特征的人脸认证 | 第21-22页 |
| 1.4.2.3 基于局部特征的人脸认证 | 第22-23页 |
| 1.4.2.4 基于深度学习的人脸认证 | 第23-24页 |
| 1.5 主要创新点 | 第24-25页 |
| 1.6 章节安排 | 第25-26页 |
| 第二章 基础理论与相关工作 | 第26-51页 |
| 2.1 卷积神经网络 | 第26-37页 |
| 2.1.1 模型结构 | 第26-33页 |
| 2.1.1.1 卷积层 | 第26-28页 |
| 2.1.1.2 内积层 | 第28页 |
| 2.1.1.3 激活函数层 | 第28-30页 |
| 2.1.1.4 归一化层 | 第30-32页 |
| 2.1.1.5 残差网络 | 第32-33页 |
| 2.1.2 损失函数 | 第33-34页 |
| 2.1.3 优化 | 第34-37页 |
| 2.2 人脸认证 | 第37-50页 |
| 2.2.1 相关概念 | 第37-39页 |
| 2.2.2 人脸数据集 | 第39-40页 |
| 2.2.3 评价标准 | 第40-42页 |
| 2.2.4 人脸检测与对齐 | 第42-44页 |
| 2.2.5 特征脸(EigenFace)与判别脸(FisherFace) | 第44-46页 |
| 2.2.6 深度度量学习 | 第46-47页 |
| 2.2.7 中心损失 | 第47页 |
| 2.2.8 乘性角度间隔 | 第47-50页 |
| 2.3 本章小结 | 第50-51页 |
| 第三章 基于L_2超球面嵌入的人脸认证损失函数 | 第51-73页 |
| 3.1 L_2超球面嵌入的必要性 | 第51-56页 |
| 3.1.1 训练与测试的不匹配问题 | 第51-52页 |
| 3.1.2 Softmax交叉熵损失下的特征分布 | 第52-55页 |
| 3.1.3 Softmax交叉熵损失函数的饱和问题 | 第55-56页 |
| 3.2 使用Softmax交叉熵损失函数优化余弦相似度 | 第56-67页 |
| 3.2.1 在神经网络中使用余弦相似度 | 第57-59页 |
| 3.2.2 直接应用余弦相似度遇到的困难与解决方案 | 第59-62页 |
| 3.2.3 分析与讨论 | 第62-67页 |
| 3.2.3.1 参数s的升降条件 | 第62-63页 |
| 3.2.3.2 参数s控制下的分类器权重分配 | 第63-65页 |
| 3.2.3.3 参数s的几何意义 | 第65-67页 |
| 3.3 实验结果及分析 | 第67-71页 |
| 3.3.1 实验设置 | 第67-68页 |
| 3.3.1.1 基线模型 | 第67页 |
| 3.3.1.2 模型训练 | 第67-68页 |
| 3.3.1.3 模型测试 | 第68页 |
| 3.3.2 LFW数据集 | 第68-70页 |
| 3.3.3 YTF数据集 | 第70-71页 |
| 3.4 本章小结 | 第71-73页 |
| 第四章 度量学习损失函数的分类化改造 | 第73-84页 |
| 4.1 使用分类损失函数进行度量学习 | 第73-75页 |
| 4.2 误差分析 | 第75-78页 |
| 4.3 归一化的作用 | 第78-80页 |
| 4.3.1 归一化在难例挖掘方面的作用 | 第78-79页 |
| 4.3.2 权重归一化在类不均衡问题上的作用 | 第79-80页 |
| 4.4 实验结果及分析 | 第80-82页 |
| 4.4.1 实验设置 | 第80-81页 |
| 4.4.2 测试结果 | 第81-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第五章 引入加性间隔的人脸认证损失函数 | 第84-108页 |
| 5.1 引入间隔的必要性 | 第84-85页 |
| 5.2 加性间隔 | 第85-92页 |
| 5.2.1 定义 | 第85-87页 |
| 5.2.2 角度间隔与余弦间隔 | 第87页 |
| 5.2.3 几何意义 | 第87-90页 |
| 5.2.4 特征分布可视化 | 第90页 |
| 5.2.5 类空间分割可视化 | 第90-92页 |
| 5.3 理论分析与讨论 | 第92-102页 |
| 5.3.1 与三元组损失函数的联系 | 第92-95页 |
| 5.3.2 从最优化的角度理解Softmax交叉熵损失函数 | 第95-98页 |
| 5.3.3 模型判别能力指标 | 第98-99页 |
| 5.3.4 模型统计量小结 | 第99-102页 |
| 5.4 实验结果及分析 | 第102-107页 |
| 5.4.1 数据集去重 | 第102-103页 |
| 5.4.2 实验细节 | 第103-104页 |
| 5.4.3 参数m的作用 | 第104-106页 |
| 5.4.4 模型隐式间隔 | 第106-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第六章 全文总结与展望 | 第108-111页 |
| 6.1 全文总结 | 第108-109页 |
| 6.2 不足以及后续工作展望 | 第109-111页 |
| 致谢 | 第111-112页 |
| 参考文献 | 第112-121页 |
| 攻读博士学位期间取得的成果 | 第121-122页 |
