基于深度迁移学习的素描人脸识别研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文结构安排及主要研究工作 | 第12-14页 |
| 第2章 自适应尺度特征提取 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 特征提取 | 第14-18页 |
| 2.2.1 特征定位 | 第14-16页 |
| 2.2.2 自适应尺度特征提取 | 第16-18页 |
| 2.3 高斯过程模型 | 第18-19页 |
| 2.4 实验结果分析 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 卷积神经网络 | 第21-52页 |
| 3.1 引言 | 第21页 |
| 3.2 神经网络 | 第21-24页 |
| 3.3 算法分析 | 第24-29页 |
| 3.3.1 前向传播算法 | 第24-26页 |
| 3.3.2 反向传播算法 | 第26-27页 |
| 3.3.3 激活函数 | 第27-29页 |
| 3.4 卷积神经网络 | 第29-32页 |
| 3.5 典型CNN网络 | 第32-42页 |
| 3.5.1 LeNet-5 | 第33-34页 |
| 3.5.2 Alexnet | 第34-35页 |
| 3.5.3 GoogLeNet | 第35-40页 |
| 3.5.4 VGG | 第40-41页 |
| 3.5.5 ResNet | 第41-42页 |
| 3.6 神经网络框架 | 第42-45页 |
| 3.6.1 Caffe框架 | 第42-43页 |
| 3.6.2 TensorFlow框架 | 第43-45页 |
| 3.7 基于深度学习的光学人脸识别 | 第45-49页 |
| 3.7.1 VGGFace | 第45-47页 |
| 3.7.2 Lightened CNN | 第47-48页 |
| 3.7.3 Caffe-face | 第48-49页 |
| 3.8 实验结果分析 | 第49-50页 |
| 3.9 本章小结 | 第50-52页 |
| 第4章 迁移学习 | 第52-60页 |
| 4.1 引言 | 第52页 |
| 4.2 迁移成分分析 | 第52-54页 |
| 4.3 联合分布适配 | 第54-56页 |
| 4.4 深度学习可迁移性分析 | 第56-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 素描人脸识别 | 第60-66页 |
| 5.1 引言 | 第60页 |
| 5.2 光学人脸特征提取 | 第60-61页 |
| 5.3 素描人脸和光学人脸相适配 | 第61-62页 |
| 5.4 实验结果分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 未来工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 在学期间发表的学术论文与研究成果 | 第72页 |
