细粒度的人脸认证问题研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 人脸认证 | 第11-15页 |
| 1.2.2 细粒度识别 | 第15-16页 |
| 1.3 论文主要内容与章节安排 | 第16-18页 |
| 第二章 人脸认证 | 第18-24页 |
| 2.1 人脸认证一般流程 | 第18-19页 |
| 2.2 关键点定位 | 第19-23页 |
| 2.2.1 DCNC整体框架 | 第19-21页 |
| 2.2.2 DCNC单个网络结构 | 第21-22页 |
| 2.2.3 训练细节 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 细粒度人脸数据库 | 第24-42页 |
| 3.1 细粒度人脸数据库构建的基本流程 | 第24-26页 |
| 3.2 LFW数据库 | 第26-28页 |
| 3.3 DeepID2网络 | 第28-32页 |
| 3.4 三元组挑选与标注 | 第32-34页 |
| 3.4.1 三元组挑选 | 第32-33页 |
| 3.4.2 三元组标注 | 第33-34页 |
| 3.5 相似对挑选及细粒度人脸库的构建 | 第34-37页 |
| 3.6 细粒度人脸数据库的特性 | 第37-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 细粒度人脸认证的解决方案 | 第42-54页 |
| 4.1 基于度量学习的解决方法 | 第42-48页 |
| 4.1.1 度量学习 | 第42-44页 |
| 4.1.2 基于几何保持的度量学习 | 第44-48页 |
| 4.2 基于深度学习的解决方法 | 第48-53页 |
| 4.2.1 基本网络结构 | 第48-50页 |
| 4.2.2 基于细节补充的深度卷积网络 | 第50-51页 |
| 4.2.3 基于判别性区域学习的卷积神经网络 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第五章 实验部分 | 第54-64页 |
| 5.1 对比方法 | 第54页 |
| 5.2 实验设置 | 第54-55页 |
| 5.3 LFW和FGLFW难度对比 | 第55-58页 |
| 5.4 人类在FGLFW上的认证率 | 第58-62页 |
| 5.4.1 基于度量学习的解决方案 | 第59-61页 |
| 5.4.2 基于深度学习的解决方案 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64页 |
| 6.2 后续工作展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
