| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第19-33页 |
| 1.1 引言 | 第19页 |
| 1.2 异构人脸识别问题 | 第19-23页 |
| 1.2.1 异构人脸识别应用 | 第19-21页 |
| 1.2.2 异构人脸识别处理流程 | 第21-23页 |
| 1.3 异构人脸识别研究现状 | 第23-25页 |
| 1.3.1 基于图像合成的方法 | 第23-24页 |
| 1.3.2 基于特征抽取的方法 | 第24页 |
| 1.3.3 基于公共子空间的方法 | 第24-25页 |
| 1.4 度量学习研究现状 | 第25-28页 |
| 1.4.1 马氏距离度量相关工作 | 第27-28页 |
| 1.4.2 双线性度量相关工作 | 第28页 |
| 1.5 跨模态度量学习研究现状 | 第28-29页 |
| 1.5.1 基于公共子空间的相关工作 | 第29页 |
| 1.5.2 基于双线性度量的相关工作 | 第29页 |
| 1.6 待研究问题与本文工作 | 第29-30页 |
| 1.7 本文组织 | 第30-33页 |
| 第二章 基于间隔的跨模态度量学习 | 第33-57页 |
| 2.1 引言 | 第33-34页 |
| 2.2 方法框架、符号表示与距离约束 | 第34-36页 |
| 2.2.1 方法框架 | 第34页 |
| 2.2.2 符号表示 | 第34-35页 |
| 2.2.3 距离约束 | 第35-36页 |
| 2.3 基于间隔的跨模态度量学习 | 第36-39页 |
| 2.3.1 目标函数 | 第36-37页 |
| 2.3.2 优化方法 | 第37-39页 |
| 2.4 基于间隔的跨模态度量核方法 | 第39-42页 |
| 2.4.1 目标函数 | 第40页 |
| 2.4.2 优化方法 | 第40-42页 |
| 2.5 实验结果与分析 | 第42-54页 |
| 2.5.1 数据集与实验设置 | 第43页 |
| 2.5.2 人脸特征抽取 | 第43-45页 |
| 2.5.3 参数设置 | 第45-46页 |
| 2.5.4 NJU-ID数据集上的结果 | 第46-51页 |
| 2.5.5 CUFSF数据集上的结果 | 第51-53页 |
| 2.5.6 CASIA NIR-VIS 2.0数据集上的结果 | 第53-54页 |
| 2.5.7 与深度特征结合的效果 | 第54页 |
| 2.6 本章小结 | 第54-57页 |
| 第三章 基于AUC优化的跨模态度量学习 | 第57-81页 |
| 3.1 引言 | 第57-58页 |
| 3.2 基于AUC优化的跨模态度量学习 | 第58-61页 |
| 3.2.1 符号表示与问题描述 | 第58-59页 |
| 3.2.2 目标函数 | 第59-61页 |
| 3.3 优化算法 | 第61-67页 |
| 3.3.1 目标函数转化 | 第62-63页 |
| 3.3.2 邻近点优化算法 | 第63-65页 |
| 3.3.3 实现细节 | 第65-67页 |
| 3.4 实验结果与分析 | 第67-79页 |
| 3.4.1 数据集信息和评价指标 | 第67-68页 |
| 3.4.2 参数设置 | 第68-69页 |
| 3.4.3 CUFSF数据集上的结果 | 第69-73页 |
| 3.4.4 CASIA NIR-VIS 2.0数据集上的结果 | 第73-75页 |
| 3.4.5 NJU-ID数据集上的结果 | 第75-76页 |
| 3.4.6 LFW数据集上结果 | 第76-77页 |
| 3.4.7 训练时间比较 | 第77-79页 |
| 3.5 本章小结 | 第79-81页 |
| 第四章 稀疏跨模态度量集成学习 | 第81-101页 |
| 4.1 引言 | 第81-82页 |
| 4.2 方法框架 | 第82-83页 |
| 4.3 局部人脸特征抽取 | 第83-84页 |
| 4.4 弱跨模态度量学习 | 第84-88页 |
| 4.4.1 符号表示 | 第84-85页 |
| 4.4.2 稀疏跨模态度量学习 | 第85-87页 |
| 4.4.3 优化方法 | 第87-88页 |
| 4.5 跨模态度量集成学习 | 第88-90页 |
| 4.6 实验结果与分析 | 第90-98页 |
| 4.6.1 数据集与评价指标 | 第91-92页 |
| 4.6.2 参数设置 | 第92页 |
| 4.6.3 弱距离度量的稀疏结构可视化 | 第92-93页 |
| 4.6.4 弱距离度量数量的影响 | 第93-95页 |
| 4.6.5 AR数据集上的实验结果 | 第95页 |
| 4.6.6 NJU-ID数据集上的实验结果 | 第95-96页 |
| 4.6.7 CUFSF数据集上的实验结果 | 第96页 |
| 4.6.8 CASIA NIR-VIS 2.0数据集上的实验结果 | 第96-97页 |
| 4.6.9 训练时间比较 | 第97-98页 |
| 4.7 讨论 | 第98-99页 |
| 4.8 本章小结 | 第99-101页 |
| 第五章 干扰鲁棒的跨模态度量学习 | 第101-121页 |
| 5.1 引言 | 第101-103页 |
| 5.2 相关工作 | 第103-105页 |
| 5.3 方法框架 | 第105-106页 |
| 5.4 基于人脸关键点的特征抽取 | 第106-107页 |
| 5.5 干扰鲁棒的局部跨模态度量学习 | 第107-111页 |
| 5.5.1 符号表示 | 第107-108页 |
| 5.5.2 跨模态度量定义 | 第108-109页 |
| 5.5.3 目标函数 | 第109-110页 |
| 5.5.4 优化方法 | 第110-111页 |
| 5.6 实验结果与分析 | 第111-118页 |
| 5.6.1 数据集与评价指标 | 第111-112页 |
| 5.6.2 特征抽取细节 | 第112-113页 |
| 5.6.3 参数设置 | 第113页 |
| 5.6.4 不同设置的影响 | 第113-114页 |
| 5.6.5 基于关键点的度量可视化效果 | 第114-116页 |
| 5.6.6 WebCaricature数据集上的实验结果 | 第116页 |
| 5.6.7 Caricature-207数据集上的实验结果 | 第116-117页 |
| 5.6.8 WebCaricature数据集上识别效果展示 | 第117-118页 |
| 5.7 本章小结 | 第118-121页 |
| 第六章 总结与展望 | 第121-123页 |
| 6.1 总结 | 第121-122页 |
| 6.2 展望 | 第122-123页 |
| 参考文献 | 第123-133页 |
| 简历与科研成果 | 第133-137页 |
| 致谢 | 第137-139页 |
