| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 课题研究内容及论文结构安排 | 第15-17页 |
| 第二章 卷积神经网络概念和模型发展 | 第17-36页 |
| 2.1 卷积神经网络基本理论 | 第17-21页 |
| 2.1.1 卷积神经网络的结构 | 第18-21页 |
| 2.2 CNN网络的训练过程 | 第21-25页 |
| 2.2.1 CNN网络的正向传播 | 第22-23页 |
| 2.2.2 CNN网络的反向传播 | 第23-24页 |
| 2.2.3 神经网络训练防过拟合措施 | 第24-25页 |
| 2.3 卷积神经网络模型的发展 | 第25-35页 |
| 2.3.1 AlexNet | 第27页 |
| 2.3.2 Zeiler&Fergs Net | 第27-28页 |
| 2.3.3 VGGNet | 第28-30页 |
| 2.3.4 ResNet | 第30-32页 |
| 2.3.5 GoogLeNet | 第32-35页 |
| 2.4 本章总结 | 第35-36页 |
| 第三章 基于深度学习的人脸识别算法设计 | 第36-56页 |
| 3.1 人脸识别算法框架设计 | 第36-37页 |
| 3.2 人脸对齐模块的算法设计 | 第37-38页 |
| 3.3 人脸特征提取模块的算法设计 | 第38-44页 |
| 3.3.1 深度网络模型的设计 | 第39-40页 |
| 3.3.2 模型损失函数的设计 | 第40-44页 |
| 3.4 人脸验证算法设计 | 第44-45页 |
| 3.5 人脸识别算法的整体设计方案 | 第45-54页 |
| 3.6 章节总结 | 第54-56页 |
| 第四章 算法实现与性能评估 | 第56-72页 |
| 4.1 人脸数据集 | 第56-60页 |
| 4.1.1 训练集 | 第57-58页 |
| 4.1.2 性能验证集 | 第58-60页 |
| 4.2 算法的性能对比分析 | 第60-71页 |
| 4.2.1 数据集规模对模型性能的影响 | 第60-62页 |
| 4.2.2 Softmax损失+中心性损失对模型性能的影响 | 第62-64页 |
| 4.2.3 Softmax损失+验证损失对模型性能的影响 | 第64-65页 |
| 4.2.4 Softmax损失+中心性损失+验证损失对模型性能的影响 | 第65页 |
| 4.2.5 三元组损失对模型性能的影响 | 第65-68页 |
| 4.2.6 遮盖面积对模型性能的影响 | 第68-70页 |
| 4.2.7 网络整体性能分析 | 第70-71页 |
| 4.3 本章总结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72页 |
| 5.2 工作展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77页 |
