| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-13页 |
| 1.3 本文主要工作及组织结构 | 第13-14页 |
| 第二章 神经网络基础和人脸数据预处理 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 深度人脸识别算法流程 | 第14-15页 |
| 2.3 神经网络基础 | 第15-22页 |
| 2.3.1 计算图 | 第16-17页 |
| 2.3.2 神经网络前向传递 | 第17-18页 |
| 2.3.3 基于随机梯度下降神经网络反向传递 | 第18-22页 |
| 2.4 人脸识别数据库 | 第22-25页 |
| 2.4.1 CASIA-WebFace人脸数据库 | 第22-23页 |
| 2.4.2 LFW自然场景下的标记人脸数据库 | 第23-25页 |
| 2.5 人脸数据增强和预处理 | 第25-26页 |
| 2.5.1 数据增强 | 第25-26页 |
| 2.5.2 数据预处理 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于深度卷积神经网络的人脸识别 | 第27-57页 |
| 3.1 引言 | 第27页 |
| 3.2 深度卷积神经网络基本结构 | 第27-37页 |
| 3.2.1 卷积层 | 第27-29页 |
| 3.2.2 激活函数 | 第29-32页 |
| 3.2.3 池化层 | 第32-34页 |
| 3.2.4 全连接层和Dropout | 第34-36页 |
| 3.2.5 Softmax损失代价层 | 第36-37页 |
| 3.3 单分支深度卷积神经网络 | 第37-42页 |
| 3.3.1 单分支结构设计理念 | 第37-38页 |
| 3.3.2 单分支卷积神经网络 | 第38-42页 |
| 3.4 多分支深度卷积神经网络 | 第42-46页 |
| 3.4.1 基于Maximum层的多分支网络设计理念 | 第42-45页 |
| 3.4.2 多分支卷积神经网络 | 第45-46页 |
| 3.5 基于批正则化的网络训练 | 第46-51页 |
| 3.5.1 批正则化处理算法 | 第47-50页 |
| 3.5.2 模型的初始化和参数设置 | 第50-51页 |
| 3.6 实验结果和对比 | 第51-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第四章 融合度量学习的人脸识别 | 第57-74页 |
| 4.1 引言 | 第57页 |
| 4.2 类内距离度量学习 | 第57-61页 |
| 4.2.1 FC2中心损失 | 第58-59页 |
| 4.2.2 FC1中心损失 | 第59-61页 |
| 4.3 类内与类间距离度量学习 | 第61-69页 |
| 4.3.1 FC1 fisher损失 | 第62-64页 |
| 4.3.2 FC1批内分布损失 | 第64-69页 |
| 4.4 实验结果和分析 | 第69-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 本文工作总结 | 第74-75页 |
| 5.2 后续工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |