轻量化的人脸识别DCNN研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本论文研究的主要内容 | 第13-14页 |
| 第2章 相关理论 | 第14-23页 |
| 2.1 深度学习理论 | 第14-20页 |
| 2.1.1 深度学习基本内容 | 第14-15页 |
| 2.1.2 深度学习基本思想 | 第15-16页 |
| 2.1.3 局部感受野 | 第16-17页 |
| 2.1.4 权值共享 | 第17-18页 |
| 2.1.5 卷积层 | 第18-19页 |
| 2.1.6 池化层 | 第19-20页 |
| 2.2 典型DCNN结构及其工作方式 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 轻量化DCNN设计 | 第23-40页 |
| 3.1 DCNN网络设计 | 第23-26页 |
| 3.1.1 深度可分卷积 | 第23-25页 |
| 3.1.2 全局平均池化 | 第25-26页 |
| 3.2 DCNN输出和损失函数 | 第26-29页 |
| 3.2.1 Softmax分类器和交叉熵损失函数 | 第26-27页 |
| 3.2.2 人脸特征向量和tripletloss | 第27-29页 |
| 3.3 网络结构 | 第29-30页 |
| 3.4 激活函数 | 第30-33页 |
| 3.5 批正则化 | 第33-34页 |
| 3.6 网络优化 | 第34-39页 |
| 3.6.1 梯度下降优化原理 | 第34-35页 |
| 3.6.2 优化算法选取 | 第35-39页 |
| 3.6.3 参数初始化 | 第39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 实验及结果分析 | 第40-55页 |
| 4.1 数据集处理及增强 | 第40-43页 |
| 4.1.1 人脸数据集来源 | 第40页 |
| 4.1.2 数据集图像灰度化 | 第40-41页 |
| 4.1.3 图片裁剪 | 第41-42页 |
| 4.1.4 数据增强 | 第42-43页 |
| 4.2 实验环境和网络训练 | 第43-46页 |
| 4.3 马氏距离 | 第46-48页 |
| 4.4 LFW数据集及模型评估 | 第48-51页 |
| 4.5 模型压缩 | 第51-54页 |
| 4.5.1 参数量化 | 第51-52页 |
| 4.5.2 霍夫曼编码 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读学位期间发表的学术成果 | 第61-62页 |
| 致谢 | 第62页 |
