基于深度学习的人脸图像分析与研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人脸定位的研究现状 | 第12-13页 |
| 1.2.2 基于人脸的亲属识别研究现状 | 第13-14页 |
| 1.2.3 笑脸识别的研究概况 | 第14-15页 |
| 1.3 本文研究内容与贡献 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 深度学习的基本理论 | 第18-34页 |
| 2.1 深度学习 | 第18-24页 |
| 2.1.1 深度学习是什么 | 第18-19页 |
| 2.1.2 深度学习的基本思想 | 第19-21页 |
| 2.1.3 深度学习的常用模型 | 第21-23页 |
| 2.1.4 深度学习的常用框架 | 第23-24页 |
| 2.2 受限玻尔兹曼机 | 第24-27页 |
| 2.2.1 受限玻尔兹曼机的模型定义 | 第24-26页 |
| 2.2.2 受限玻尔兹曼机的学习 | 第26-27页 |
| 2.3 深度信念网络 | 第27-29页 |
| 2.3.1 深度信念网络的模型定义 | 第27-28页 |
| 2.3.2 深度信念网络的学习 | 第28-29页 |
| 2.4 卷积神经网络 | 第29-33页 |
| 2.4.1 卷积神经网络的模型定义 | 第29-30页 |
| 2.4.2 卷积神经网络的学习 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于深度学习的严重遮挡人脸定位 | 第34-48页 |
| 3.1 传统的Haar+Adaboost算法 | 第34-38页 |
| 3.1.1 Haar-lik特征及积分图 | 第34-36页 |
| 3.1.2 AdaBoost与分类器级联 | 第36-38页 |
| 3.2 基于深度学习的严重遮挡人脸定位算法 | 第38-41页 |
| 3.2.1 相关研究工作 | 第38-39页 |
| 3.2.2 算法介绍 | 第39-41页 |
| 3.3 实验设计与结果分析 | 第41-47页 |
| 3.3.1 遮挡人脸的定位数据库 | 第42-43页 |
| 3.3.2 阈值对实验效果的影响 | 第43-44页 |
| 3.3.3 不同方法的比较 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于深度神经网络的人脸亲属识别 | 第48-59页 |
| 4.1 相关研究工作 | 第48-49页 |
| 4.2 基于的深度神经网络的亲属识别器 | 第49-53页 |
| 4.2.1 亲属识别的流程 | 第49-50页 |
| 4.2.2 基本的卷积神经网络识别器 | 第50-51页 |
| 4.2.3 基于多区域的卷积神经网络识别器 | 第51-53页 |
| 4.3 实验设计与结果分析 | 第53-58页 |
| 4.3.1 亲属识别的数据库 | 第53页 |
| 4.3.2 实验的设置 | 第53-54页 |
| 4.3.3 实验结果与分析 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于深度神经网络的笑脸识别 | 第59-67页 |
| 5.1 相关研究工作 | 第59-60页 |
| 5.2 基于深度神经网络的笑脸识别器 | 第60-62页 |
| 5.2.1 基本的卷积神经网络识别器 | 第60-61页 |
| 5.2.2 基于多损失的卷积神经网络识别器 | 第61-62页 |
| 5.3 实验设计与结果分析 | 第62-66页 |
| 5.3.1 笑脸识别的数据库 | 第62-63页 |
| 5.3.2 两种损失函数的平衡 | 第63-64页 |
| 5.3.3 不同方法的比较 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文主要工作与结论 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻硕期间的研究成果 | 第76-77页 |
