基于深度度量学习的人脸属性识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 本文的主要工作和贡献 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第2章 研究现状 | 第18-26页 |
| 2.1 深度学习的发展和研究现状 | 第19-21页 |
| 2.2 传统人脸性别识别算法 | 第21-22页 |
| 2.3 传统人脸年龄识别算法 | 第22-23页 |
| 2.4 基于深度学习人脸属性识别算法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于深度嵌入网络的年龄估计 | 第26-42页 |
| 3.1 深度嵌入网络 | 第26-28页 |
| 3.2 基于深度三元组的年龄估计 | 第28-32页 |
| 3.3 基于深度四元组排序的年龄估计 | 第32-36页 |
| 3.4 实验说明 | 第36-40页 |
| 3.4.1 数据集 | 第36页 |
| 3.4.2 实验环境 | 第36-37页 |
| 3.4.3 实验分析 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于多任务度量学习的人脸属性识别 | 第42-50页 |
| 4.1 导言 | 第42-43页 |
| 4.2 基于多任务度量学习的人脸属性识别 | 第43-45页 |
| 4.3 实验说明 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实际案例分析 | 第50-56页 |
| 5.1 大数据在零售业的优势分析 | 第50-51页 |
| 5.2 基于人脸属性识别的零售行业视频大数据分析 | 第51-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 结论与展望 | 第56-60页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 未来工作展望 | 第57-60页 |
| 附录A 基于caffe框架的技术实现 | 第60-74页 |
| A.1 实现基于深度三元组年龄损失 | 第60-64页 |
| A.2 实现基于深度四元组排序年龄损失 | 第64-70页 |
| A.3 实现多类标签输入 | 第70-74页 |
| 参考文献 | 第74-78页 |
| 作者简历及攻读学位期间发表的学术论文与科研成果 | 第78-80页 |
| 致谢 | 第80页 |
