基于深度学习的低画质人脸识别研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 人脸识别问题的国内外研究历史与现状 | 第11-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 深度学习相关原理分析 | 第17-38页 |
| 2.1 深度学习与浅层学习 | 第17-19页 |
| 2.2 人工神经网络 | 第19-20页 |
| 2.3 反向传播算法 | 第20-26页 |
| 2.4 卷积神经网络 | 第26-36页 |
| 2.4.1 卷积层 | 第26-29页 |
| 2.4.2 激活函数 | 第29-32页 |
| 2.4.3 池化层 | 第32-34页 |
| 2.4.4 全连接层 | 第34页 |
| 2.4.5 损失函数 | 第34-36页 |
| 2.5 常用神经网络训练技巧 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 一种面向识别的低画质人脸图像增强算法 | 第38-54页 |
| 3.1 低画质人脸识别问题研究 | 第38-45页 |
| 3.1.1 图像增强算法 | 第40-43页 |
| 3.1.2 图像超分辨算法 | 第43-45页 |
| 3.2 一种低画质人脸图像增强算法 | 第45-53页 |
| 3.2.1 算法分析 | 第46-48页 |
| 3.2.2 参数选择 | 第48-50页 |
| 3.2.3 实验结果分析 | 第50-53页 |
| 3.3 本章小结 | 第53-54页 |
| 第四章 低画质人脸识别系统 | 第54-77页 |
| 4.1 人脸识别系统框架 | 第54-59页 |
| 4.2 数据增强与图像预处理 | 第59-63页 |
| 4.3 一种基于卷积神经网络的人脸特征提取方法 | 第63-67页 |
| 4.3.1 FaceNet | 第63-65页 |
| 4.3.2 CentorLoss | 第65-66页 |
| 4.3.3 VGG-Face | 第66-67页 |
| 4.4 人脸特征分类方法 | 第67-71页 |
| 4.4.1 支持向量机算法 | 第68-70页 |
| 4.4.2 k近邻分类算法 | 第70-71页 |
| 4.5 实验与分析 | 第71-76页 |
| 4.6 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-80页 |
| 5.1 论文总结 | 第77-78页 |
| 5.2 工作展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |
