基于深度学习的人脸检测技术研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 人脸检测研究现状 | 第8-10页 |
| 1.2.2 深度学习研究现状 | 第10-11页 |
| 1.3 论文主要工作与章节安排 | 第11-12页 |
| 2 基于深度学习的人脸检测技术分析 | 第12-21页 |
| 2.1 深度学习原理分析 | 第12-14页 |
| 2.2 卷积神经网络原理分析 | 第14-16页 |
| 2.3 人脸检测算法分析 | 第16-19页 |
| 2.3.1 基于人工神经网络的检测算法分析 | 第17页 |
| 2.3.2 基于卷积神经网络的检测算法分析 | 第17-18页 |
| 2.3.3 基于级联CNN的检测算法分析 | 第18-19页 |
| 2.4 网络过拟合分析 | 第19-20页 |
| 2.5 网络可视化分析 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 3 基于全卷积网络的人脸检测研究 | 第21-48页 |
| 3.1 网络性能分析 | 第21-22页 |
| 3.1.1 网络结构与准确率关系 | 第21-22页 |
| 3.1.2 网络结构与时效性关系 | 第22页 |
| 3.2 DeepID网络下的人脸检测算法研究 | 第22-28页 |
| 3.2.1 不同配置下的网络设计 | 第22-25页 |
| 3.2.2 网络训练 | 第25-28页 |
| 3.3 不同配置下的网络性能分析 | 第28-29页 |
| 3.4 检测算法分析 | 第29-35页 |
| 3.4.1 全卷积原理 | 第30页 |
| 3.4.2 全卷积神经网络检测算法 | 第30-33页 |
| 3.4.3 感受野的计算与特征图的还原 | 第33-34页 |
| 3.4.4 不同卷积层数下检测器性能分析 | 第34-35页 |
| 3.5 AlexNet网络下的人脸检测研究 | 第35-42页 |
| 3.5.1 全连接层影响分析 | 第36-37页 |
| 3.5.2 卷积核的大小和数量影响分析 | 第37-38页 |
| 3.5.3 改进设计 | 第38-41页 |
| 3.5.4 训练策略改进 | 第41-42页 |
| 3.5.5 改进前后检测性能对比 | 第42页 |
| 3.6 实验结果与分析 | 第42-47页 |
| 3.6.1 实验环境 | 第43页 |
| 3.6.2 检测系统 | 第43页 |
| 3.6.3 鲁棒性实验 | 第43-44页 |
| 3.6.4 准确率实验 | 第44-46页 |
| 3.6.5 时效性实验 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 4 基于级联CNN的人脸检测研究 | 第48-60页 |
| 4.1 级联网络的思想 | 第48页 |
| 4.2 级联网络的设计 | 第48-51页 |
| 4.3 网络训练 | 第51-52页 |
| 4.4 级联网络检测算法 | 第52-53页 |
| 4.5 级联网络人脸检测系统 | 第53页 |
| 4.6 实验结果与分析 | 第53-59页 |
| 4.6.1 鲁棒性实验 | 第54-56页 |
| 4.6.2 准确率实验 | 第56-58页 |
| 4.6.3 时效性实验 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-61页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
