| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 深度学习的发展历程 | 第12-13页 |
| 1.2.2 深度网络压缩的研究现状 | 第13-14页 |
| 1.2.3 深度学习在人脸识别的应用 | 第14-15页 |
| 1.3 本文主要研究工作 | 第15-16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 第二章 深度卷积神经网络基础 | 第18-23页 |
| 2.1 深度卷积神经网络基本结构 | 第18页 |
| 2.2 深度卷积神经网络的基本特点 | 第18-20页 |
| 2.2.1 局部感知 | 第18-19页 |
| 2.2.2 权值共享 | 第19-20页 |
| 2.3 常见的网络模型 | 第20-22页 |
| 2.3.1 LeNet-5网络模型 | 第20页 |
| 2.3.2 AlexNet网络模型 | 第20-21页 |
| 2.3.3 Light-CNN网络模型 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于网络权重初始和最终状态差异的冗余权重去除方法 | 第23-37页 |
| 3.1 引言 | 第23页 |
| 3.2 网络剪枝 | 第23-24页 |
| 3.3 算法原理及步骤 | 第24-28页 |
| 3.3.1 初始和最终网络权重分布差异的统计 | 第25-26页 |
| 3.3.2 网络剪枝阈值的选择 | 第26-27页 |
| 3.3.3 基于阈值的网络剪枝和再训练 | 第27页 |
| 3.3.4 基于阈值和权值变化幅度的网络剪枝和再训练 | 第27-28页 |
| 3.4 实验 | 第28-36页 |
| 3.4.1 在基于MNIST的LeNet-5模型的测试 | 第28-34页 |
| 3.4.2 在基于ImageNet的AlexNet模型的测试 | 第34-35页 |
| 3.4.3 在基于CASIA-WebFace的Light-CNN模型测试 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于残差网络和MFM激活函数的人脸识别 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 本章使用的网络结构 | 第37-40页 |
| 4.2.1 残差网络结构 | 第37-38页 |
| 4.2.2 MFM激活函数 | 第38-39页 |
| 4.2.3 A-Softmax损失函数 | 第39-40页 |
| 4.3 网络模型设计 | 第40-41页 |
| 4.4 人脸数据集介绍与预处理 | 第41-42页 |
| 4.5 实验设置 | 第42-43页 |
| 4.5.1 训练参数设置 | 第42页 |
| 4.5.2 人脸识别实验流程 | 第42-43页 |
| 4.6 实验结果与分析 | 第43-45页 |
| 4.6.1 在LFW上的算法性能比较与分析 | 第43-44页 |
| 4.6.2 与其他算法性能比较与分析 | 第44-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第五章 深度网络模型压缩在人脸识别的应用 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 算法原理及步骤 | 第46-51页 |
| 5.2.1 网络冗余权重去除 | 第47页 |
| 5.2.2 权重量化 | 第47-49页 |
| 5.2.3 哈夫曼编码压缩 | 第49-51页 |
| 5.3 实验结果与分析 | 第51-55页 |
| 5.3.1 网络冗余权重去除的实验结果 | 第51-53页 |
| 5.3.2 权重量化的实验结果 | 第53-54页 |
| 5.3.3 哈夫曼编码压缩的实验结果 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附表 | 第64页 |
