基于深度学习开源框架的并行人脸识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 背景及意义 | 第10-12页 |
| 1.1.1 问题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 人脸识别及深度学习并行化相关理论研究 | 第15-33页 |
| 2.1 人脸识别相关理论 | 第15-19页 |
| 2.1.1 人脸识别概述 | 第15页 |
| 2.1.2 人脸检测原理 | 第15-17页 |
| 2.1.3 人脸对齐原理 | 第17-19页 |
| 2.2 深度学习理论研究 | 第19-30页 |
| 2.2.1 人工智能与机器学习相关理论 | 第20-25页 |
| 2.2.2 深度学习相关理论分析 | 第25-30页 |
| 2.3 并行化相关理论研究 | 第30-32页 |
| 2.3.1 神经网络模型并行训练 | 第30-31页 |
| 2.3.2 并行人脸识别 | 第31-32页 |
| 2.4 本章小节 | 第32-33页 |
| 第三章 迭代复合残差卷积神经网络模型 | 第33-56页 |
| 3.1 深度残差网络模型 | 第33-42页 |
| 3.1.1 深度残差网络原理 | 第33-36页 |
| 3.1.2 TensorFlow开发模式 | 第36-37页 |
| 3.1.3 深度残差网络的实现 | 第37-42页 |
| 3.2 迭代复合卷积神经网络模型 | 第42-51页 |
| 3.2.1 迭代复合卷积网络原理 | 第42-47页 |
| 3.2.2 迭代复合卷积网络的实现 | 第47-51页 |
| 3.3 迭代复合残差网络的优化 | 第51-55页 |
| 3.3.1 正则化 | 第51-53页 |
| 3.3.2 Dropout | 第53-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 深度学习并行模型训练及并行人脸识别 | 第56-72页 |
| 4.1 深度学习并行模型训练 | 第56-65页 |
| 4.1.1 并行训练原理 | 第56-61页 |
| 4.1.2 并行模型训练的实现 | 第61-65页 |
| 4.2 深度学习并行人脸识别 | 第65-71页 |
| 4.2.1 并行识别原理 | 第65-69页 |
| 4.2.2 并行人脸识别的实现 | 第69-71页 |
| 4.3 本章小结 | 第71-72页 |
| 第五章 性能评估与测试 | 第72-87页 |
| 5.1 实验环境及配置 | 第72-74页 |
| 5.1.1 实验硬件环境 | 第72页 |
| 5.1.2 实验软件环境 | 第72-73页 |
| 5.1.3 实验数据集 | 第73-74页 |
| 5.2 实验结果展示及分析 | 第74-84页 |
| 5.2.1 迭代复合残差卷积神经网络测试 | 第74-79页 |
| 5.2.2 并行模型训练测试 | 第79-82页 |
| 5.2.3 并行人脸识别测试 | 第82-84页 |
| 5.3 在线并行人脸识别考勤系统 | 第84-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第六章 总结与展望 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-92页 |
| 攻读硕士学位期间取得的成果 | 第92页 |
