基于卷积神经网络及迁移学习的掌纹识别
| 摘要 | 第8-10页 |
| abstract | 第10-11页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-20页 |
| 1.2.1 掌纹识别研究现状 | 第12-17页 |
| 1.2.2 深度学习研究现状 | 第17-19页 |
| 1.2.3 基于深度学习的掌纹识别 | 第19-20页 |
| 1.3 本文的主要研究内容及结构安排 | 第20-21页 |
| 第2章 卷积神经网络相关理论 | 第21-34页 |
| 2.1 人工神经网络 | 第21-23页 |
| 2.1.1 基本神经元 | 第21-22页 |
| 2.1.2 多层神经网络 | 第22-23页 |
| 2.2 卷积神经网络 | 第23-33页 |
| 2.2.1 局部连接和权值共享 | 第24页 |
| 2.2.2 卷积神经网络结构 | 第24-25页 |
| 2.2.3 卷积神经网络的计算 | 第25-29页 |
| 2.2.4 深度卷积神经网络模型 | 第29-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 基于多小波与cnn的掌纹识别 | 第34-48页 |
| 3.1 基于多小波的数据增强 | 第34-36页 |
| 3.1.1 多小波理论 | 第34-36页 |
| 3.1.2 数据增强方法 | 第36页 |
| 3.2 掌纹识别网络的建立 | 第36-41页 |
| 3.2.1 网络结构的确定 | 第37-39页 |
| 3.2.2 参数的选择 | 第39-41页 |
| 3.3 实验结果与分析 | 第41-47页 |
| 3.3.1 acnn的推广应用实验 | 第42-43页 |
| 3.3.2 方法对比及鲁棒性测试 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于迁移dcnn的掌纹识别 | 第48-63页 |
| 4.1 迁移学习 | 第48-50页 |
| 4.2 深度卷积神经网络的选择 | 第50-52页 |
| 4.2.1 图像预处理 | 第50-51页 |
| 4.2.2 提取深度卷积特征 | 第51页 |
| 4.2.3 pca降维 | 第51-52页 |
| 4.2.4 最近邻分类器分类 | 第52页 |
| 4.3 深度卷积神经网络的微调 | 第52-53页 |
| 4.4 深度卷积神经网络的压缩 | 第53-56页 |
| 4.4.1 剪枝压缩 | 第53-54页 |
| 4.4.2 量化压缩 | 第54-56页 |
| 4.5 实验结果与分析 | 第56-62页 |
| 4.5.1 网络选择 | 第56-58页 |
| 4.5.2 微调预训练模型 | 第58-60页 |
| 4.5.3 网络压缩 | 第60-61页 |
| 4.5.4 方法对比 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 基于数据增强与迁移学习的掌纹识别 | 第63-67页 |
| 5.1 基于数据增强与迁移学习的掌纹识别方法 | 第63页 |
| 5.2 实验结果与分析 | 第63-66页 |
| 5.2.1 迁移实验 | 第64页 |
| 5.2.2 鲁棒性实验 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67页 |
| 6.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第75-76页 |
| 致谢 | 第76页 |
