| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 发展现状 | 第13-14页 |
| 1.3 面临的挑战 | 第14-15页 |
| 1.4 主要研究工作 | 第15页 |
| 1.5 论文结构 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 相关工作 | 第17-27页 |
| 2.1 人脸识别 | 第17-18页 |
| 2.2 两阶段算法 | 第18-21页 |
| 2.2.1 CNN特征抽取器 | 第18-19页 |
| 2.2.2 验证模型 | 第19-21页 |
| 2.3 端到端算法 | 第21-24页 |
| 2.3.1 Siamese Network | 第22-23页 |
| 2.3.2 Triple Network | 第23-24页 |
| 2.4 姿态与对齐 | 第24-25页 |
| 2.4.1 人脸关键点和变换 | 第24页 |
| 2.4.2 人脸关键点和多部位(Multi-patch) | 第24-25页 |
| 2.4.3 3D模型与正面化 | 第25页 |
| 2.4.4 不做处理 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 卷积神经网络(CNN) | 第27-35页 |
| 3.1 深度神经网络(DNN) | 第27-29页 |
| 3.1.1 基本结构 | 第27-28页 |
| 3.1.2 多层神经网络 | 第28-29页 |
| 3.1.3 反向传播 | 第29页 |
| 3.2 CNN基本结构 | 第29-31页 |
| 3.2.1 卷积层 | 第29-30页 |
| 3.2.2 Pooling层 | 第30页 |
| 3.2.3 激活函数 | 第30-31页 |
| 3.2.4 全连层 | 第31页 |
| 3.2.5 损失函数 | 第31页 |
| 3.3 CNN常用网络结构 | 第31-32页 |
| 3.4 CNN优化方法 | 第32-34页 |
| 3.4.1 批处理梯度下降 | 第33页 |
| 3.4.2 随机梯度下降 | 第33页 |
| 3.4.3 小批处理梯度下降 | 第33页 |
| 3.4.4 动量 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 人脸识别算法 | 第35-47页 |
| 4.1 总体框架 | 第35-37页 |
| 4.1.1 人脸检测 | 第35页 |
| 4.1.2 人脸对齐 | 第35-36页 |
| 4.1.3 人脸识别 | 第36-37页 |
| 4.2 预训练 | 第37-38页 |
| 4.2.1 预训练的方法 | 第37页 |
| 4.2.2 预训练提升结果 | 第37页 |
| 4.2.3 迁移学习 | 第37-38页 |
| 4.3 数据 | 第38-39页 |
| 4.3.1 Batch生成 | 第38页 |
| 4.3.2 多数据融合 | 第38-39页 |
| 4.3.3 数据扩充 | 第39页 |
| 4.4 网络模型 | 第39-40页 |
| 4.5 损失函数 | 第40-43页 |
| 4.6 优化算法 | 第43页 |
| 4.7 简单模型融合 | 第43-44页 |
| 4.8 工程实现 | 第44-46页 |
| 4.8.1 深度学习库MXNet | 第44-45页 |
| 4.8.2 多GPU实现 | 第45-46页 |
| 4.9 本章小结 | 第46-47页 |
| 第5章 实验与分析 | 第47-71页 |
| 5.1 数据集 | 第47-56页 |
| 5.1.1 LFW | 第48-52页 |
| 5.1.2 CASIA-WebFace | 第52页 |
| 5.1.3 VGGFace | 第52-53页 |
| 5.1.4 TaoMM | 第53-56页 |
| 5.2 预训练 | 第56-57页 |
| 5.2.1 预训练提升结果 | 第56页 |
| 5.2.2 迁移学习 | 第56-57页 |
| 5.3 数据 | 第57-58页 |
| 5.3.1 Batch生成 | 第57页 |
| 5.3.2 数据扩充 | 第57-58页 |
| 5.4 网络模型 | 第58页 |
| 5.5 损失函数 | 第58-59页 |
| 5.6 优化算法 | 第59-60页 |
| 5.7 简单模型融合 | 第60页 |
| 5.8 结果比较与分析 | 第60-62页 |
| 5.9 训练和预测时间 | 第62-63页 |
| 5.9.1 训练时间 | 第62页 |
| 5.9.2 预测速度 | 第62-63页 |
| 5.10 可视化与结果分析 | 第63-70页 |
| 5.10.1 Bad Cases | 第64页 |
| 5.10.2 卷积核可视化 | 第64页 |
| 5.10.3 特征的语义分析 | 第64-67页 |
| 5.10.4 特征的距离分析 | 第67-69页 |
| 5.10.5 特征可视化 | 第69-70页 |
| 5.11 本章小结 | 第70-71页 |
| 第6章 总结和展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间的主要研究成果 | 第77-78页 |
| 致谢 | 第78页 |