基于深度学习的人脸识别方法的研究
| 中文摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 中文文摘 | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人脸识别体系结构 | 第11-12页 |
| 1.3 本文研究内容与结构安排 | 第12-14页 |
| 第二章 人脸识别研究现状 | 第14-20页 |
| 2.1 基于几何结构方法 | 第14页 |
| 2.2 基于子空间方法 | 第14-15页 |
| 2.3 基于局部特征方法 | 第15-17页 |
| 2.4 基于深度学习方法 | 第17-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 深度学习模型关键技术 | 第20-34页 |
| 3.1 深度信念网络 | 第20-25页 |
| 3.1.1 受限玻尔兹曼机RBM | 第20-22页 |
| 3.1.2 训练RBM | 第22-24页 |
| 3.1.3 深度置信网络 | 第24-25页 |
| 3.2 卷积神经网络 | 第25-28页 |
| 3.2.1 卷积神经网络模型 | 第25-26页 |
| 3.2.2 局部连接 | 第26-27页 |
| 3.2.3 权值共享 | 第27页 |
| 3.2.4 池化采样 | 第27-28页 |
| 3.3 栈式自编码网络 | 第28-32页 |
| 3.3.1 自编码模型 | 第28-30页 |
| 3.3.2 激活函数 | 第30-31页 |
| 3.3.3 栈式自编码网络 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于深度自编码网络的人脸识别 | 第34-56页 |
| 4.1 网络模型 | 第34-35页 |
| 4.2 网络学习算法 | 第35-39页 |
| 4.3 自编码的稀疏性实现 | 第39-41页 |
| 4.4 Softmax分类器 | 第41-45页 |
| 4.5 微调 | 第45-46页 |
| 4.6 实验结果与分析 | 第46-54页 |
| 4.6.1 人脸数据库 | 第46-47页 |
| 4.6.2 微调与稀疏性参数对网络性能的影响 | 第47-49页 |
| 4.6.3 隐藏节点个数对网络性能的影响 | 第49-52页 |
| 4.6.4 隐藏层数量对网络性能的影响 | 第52-54页 |
| 4.6.5 性能比较 | 第54页 |
| 4.7 本章小结 | 第54-56页 |
| 第五章 基于深度卷积神经网络的人脸识别 | 第56-66页 |
| 5.1 深度卷积神经网络模型设计 | 第56-57页 |
| 5.2 图像预处理 | 第57-58页 |
| 5.3 线性解码器 | 第58-60页 |
| 5.4 池化方法 | 第60-61页 |
| 5.5 实验结果与分析 | 第61-65页 |
| 5.5.1 样本块大小对算法性能的影响 | 第61-62页 |
| 5.5.2 隐藏节点个数对算法性能的影响 | 第62-63页 |
| 5.5.3 池化尺度对算法性能的影响 | 第63-64页 |
| 5.5.4 性能比较 | 第64-65页 |
| 5.6 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 全文工作总结 | 第66页 |
| 6.2 未来工作展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 个人简历 | 第75-76页 |
