| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于几何特征方法 | 第11页 |
| 1.2.2 基于局部特征方法 | 第11-12页 |
| 1.2.3 基于子空间方法 | 第12-13页 |
| 1.2.4 人工神经网络方法 | 第13-14页 |
| 1.3 存在的主要问题 | 第14-15页 |
| 1.4 本文主要研究内容以及章节安排 | 第15-18页 |
| 第二章 人脸识别与深度学习概述 | 第18-29页 |
| 2.1 人脸识别概述 | 第18-20页 |
| 2.2 基于Adaboost算法的人脸检测概述 | 第20-21页 |
| 2.3 深度学习概述 | 第21-23页 |
| 2.4 深度学习的常用方法和模型 | 第23-28页 |
| 2.4.1 受限玻尔兹曼机（RBM） | 第23-25页 |
| 2.4.2 深度信念网络（DBN） | 第25-26页 |
| 2.4.3 稀疏编码(Sparse Coding) | 第26页 |
| 2.4.4 自动编码机(Auto-Encoder) | 第26-27页 |
| 2.4.5 深度结构局限性(Auto-Encoder) | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 深层卷积神经网络及其改进结构 | 第29-47页 |
| 3.1 人工神经网络 | 第29-34页 |
| 3.1.1 神经网络基本结构 | 第29-31页 |
| 3.1.2 误差反向传导算法 | 第31-34页 |
| 3.2 卷积神经网络 | 第34-40页 |
| 3.2.1 概述 | 第34-35页 |
| 3.2.2 卷积层结构 | 第35-37页 |
| 3.2.3 子采样层结构 | 第37-38页 |
| 3.2.4 Softmax回归分类层 | 第38-40页 |
| 3.3 经典的LeNet-5 网络结构 | 第40-42页 |
| 3.4 改进的深度卷积神经网络结构 | 第42-46页 |
| 3.4.1 平方概率求和池采样方法 | 第43-44页 |
| 3.4.2 层间特征图谱卷积运算参数连接方式的改进 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 结构设计和实验结果与分析 | 第47-57页 |
| 4.1 人脸数据库的选取 | 第47-49页 |
| 4.2 改进的深层卷积神经网络结构设计 | 第49-53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.3.1 实验一：全连接特征层连接方式与神经元个数对人脸识别的影响 | 第53-54页 |
| 4.3.2 实验二：研究平方概率求和池采样方法的性能 | 第54-55页 |
| 4.3.3 实验三：对比本文提出的方法与其他方法 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
