| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于传统特征的方法 | 第12-13页 |
| 1.2.2 基于深度学习的方法 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第二章 面部特征点定位中的关键技术 | 第16-28页 |
| 2.1 人脸检测 | 第16-17页 |
| 2.2 主流方法及特点 | 第17-23页 |
| 2.2.1 基于级联回归的特征点定位 | 第17-20页 |
| 2.2.2 基于局部检测的特征点定位 | 第20-22页 |
| 2.2.3 主流方法存在的问题 | 第22-23页 |
| 2.3 面部特征点定位的主要难点 | 第23-26页 |
| 2.3.1 姿态和表情的多样性 | 第24-25页 |
| 2.3.2 遮挡 | 第25页 |
| 2.3.3 稀缺的已标注数据 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 相关深度学习理论 | 第28-38页 |
| 3.1 反向传播算法(BP) | 第28-30页 |
| 3.2 卷积神经网络(CNN) | 第30-33页 |
| 3.2.1 总体架构 | 第30-31页 |
| 3.2.2 分层结构 | 第31-33页 |
| 3.2.3 著名模型 | 第33页 |
| 3.3 全卷积神经网络(FCN) | 第33-34页 |
| 3.4 正则化与规范化方法 | 第34-36页 |
| 3.4.1 dropout | 第35页 |
| 3.4.2 批规范化 | 第35-36页 |
| 3.5 本章小节 | 第36-38页 |
| 第四章 局部响应辅助下的特征点定位 | 第38-54页 |
| 4.1 基于深度卷积神经网络的特征点定位(基线模型) | 第38-41页 |
| 4.1.1 网络结构 | 第38-39页 |
| 4.1.2 损失函数 | 第39页 |
| 4.1.3 训练进程的优化 | 第39-40页 |
| 4.1.4 参数设置 | 第40-41页 |
| 4.1.5 基线模型小结 | 第41页 |
| 4.2 基于变分自编码器的特征点定位 | 第41-52页 |
| 4.2.1 总体框架 | 第42-43页 |
| 4.2.2 特征点局部响应模块 | 第43-49页 |
| 4.2.3 特征点位置映射模块 | 第49-50页 |
| 4.2.4 进一步的改进(特征点的加权训练) | 第50-52页 |
| 4.2.5 训练流程 | 第52页 |
| 4.3 本章小结 | 第52-54页 |
| 第五章 实验与结果分析 | 第54-66页 |
| 5.1 数据集 | 第54-55页 |
| 5.2 数据增强与预处理 | 第55页 |
| 5.3 评价标准 | 第55-56页 |
| 5.4 模型说明 | 第56页 |
| 5.5 EVAE与FCN的比较 | 第56-61页 |
| 5.5.1 结果对比 | 第56-58页 |
| 5.5.2 分析 | 第58-61页 |
| 5.6 与主流方法的比较 | 第61-63页 |
| 5.6.1 结果对比 | 第61-63页 |
| 5.7 本章小结 | 第63-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 论文工作总结 | 第66页 |
| 6.2 后续工作展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |