| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第10-21页 |
| 1.1 选题背景和研究意义 | 第10-11页 |
| 1.2 人脸识别技术的研究综述 | 第11-17页 |
| 1.2.1 人脸识别相关技术的研究现状 | 第11-13页 |
| 1.2.2 传统人脸识别算法的研究 | 第13-15页 |
| 1.2.3 基于深度学习的人脸识别研究 | 第15-16页 |
| 1.2.4 深度卷积神经网络的研究难点 | 第16-17页 |
| 1.3 考生人脸识别流程 | 第17-19页 |
| 1.4 本文工作及章节安排 | 第19-21页 |
| 1.4.1 本文工作 | 第19页 |
| 1.4.2 章节安排 | 第19-21页 |
| 2 卷积神经网络及深度网络的优化方法 | 第21-38页 |
| 2.1 人工神经网络 | 第21-28页 |
| 2.1.1 感知机 | 第21-22页 |
| 2.1.2 多层网络与反向传播算法 | 第22-26页 |
| 2.1.3 Softmax分类器 | 第26-28页 |
| 2.2 卷积神经网络 | 第28-30页 |
| 2.2.1 概述 | 第28页 |
| 2.2.2 CNN的卷积与池化过程 | 第28-30页 |
| 2.3 深度网络优化方法的研究 | 第30-37页 |
| 2.3.1 激活函数 | 第30-32页 |
| 2.3.2 数据预处理 | 第32-33页 |
| 2.3.3 参数初始化 | 第33页 |
| 2.3.4 Batch Normalization | 第33-34页 |
| 2.3.5 参数更新 | 第34-35页 |
| 2.3.6 超参数 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 身份验证模型GoogLeNet-D与阈值判定算法 | 第38-48页 |
| 3.1 基于GoogLeNet的优化模型GoogLeNet-D | 第38-44页 |
| 3.1.1 GoogLeNet | 第38-41页 |
| 3.1.2 GoogLeNet-D结构设计 | 第41-44页 |
| 3.2 阈值判定 | 第44-46页 |
| 3.2.1 模型评估 | 第44-45页 |
| 3.2.2 阈值判定算法 | 第45-46页 |
| 3.3 本章小结 | 第46-48页 |
| 4 实验与分析 | 第48-56页 |
| 4.1 GoogLeNet-D模型的实现 | 第48-50页 |
| 4.2 GoogLeNet-D模型的实验与分析 | 第50-54页 |
| 4.2.1 训练方法与参数选择 | 第50-51页 |
| 4.2.2 不同的DCNN模型在测试集上的表现 | 第51-52页 |
| 4.2.3 GoogLeNet-D在不同考生数据集上的表现 | 第52-54页 |
| 4.3 阈值判定结果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-59页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在校期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
