|
|
|
基于深度学习的多姿态人脸识别算法研究 |
|
论文目录 |
|
摘要 | 第4-5页 | Abstract | 第5-6页 | 1 绪论 | 第10-20页 | 1.1 课题研究的背景和意义 | 第10-12页 | 1.2 人脸识别的国内外研究现状 | 第12-15页 | 1.2.1 传统的人脸识别方法 | 第13页 | 1.2.2 基于深度学习的人脸识别研究现状 | 第13-15页 | 1.3 多姿态人脸识别的国内外研究现状 | 第15-17页 | 1.3.1 传统多姿态处理方法 | 第15-16页 | 1.3.2 深度学习多姿态处理方法 | 第16-17页 | 1.4 论文主要研究内容 | 第17-18页 | 1.5 论文章节安排 | 第18-19页 | 1.6 本章小结 | 第19-20页 | 2 深度学习及人脸识别理论基础 | 第20-32页 | 2.1 深度学习概述 | 第20-25页 | 2.1.1 深度学习的基本思想 | 第20-21页 | 2.1.2 深度卷积神经网络 | 第21-25页 | 2.2 人脸识别流程 | 第25-26页 | 2.3 人脸数据集与评判标准 | 第26-29页 | 2.3.1 人脸数据集 | 第26-27页 | 2.3.2 评判标准 | 第27-29页 | 2.4 人脸检测及其归一化 | 第29-31页 | 2.4.1 人脸检测及特征点提取 | 第29-30页 | 2.4.2 人脸归一化 | 第30-31页 | 2.5 本章小结 | 第31-32页 | 3 基于深度卷积神经网络的多姿态人脸识别 | 第32-48页 | 3.1 基础模型 | 第32-36页 | 3.1.1 FaceNet | 第32页 | 3.1.2 VGGFace | 第32-33页 | 3.1.3 Caffe-face | 第33-34页 | 3.1.4 LightenedCNN | 第34-36页 | 3.2 深度卷积神经网络模型 | 第36-40页 | 3.2.1 激活函数 | 第36页 | 3.2.2 池化层 | 第36-37页 | 3.2.3 损失函数 | 第37-39页 | 3.2.4 网络模型结构 | 第39-40页 | 3.3 实验结果及分析 | 第40-46页 | 3.3.1 实验环境 | 第40页 | 3.3.2 损失函数参数的研究 | 第40-42页 | 3.3.3 实验结果与分析 | 第42-46页 | 3.4 本章小结 | 第46-48页 | 4 基于深度特征优化的多姿态人脸识别 | 第48-56页 | 4.1 深度网络特征提取 | 第48-49页 | 4.2 深度特征优化 | 第49-52页 | 4.2.1 训练特征优化 | 第49-51页 | 4.2.2 测试特征降维 | 第51-52页 | 4.3 实验结果及分析 | 第52-55页 | 4.3.1 实验模型获取 | 第52页 | 4.3.2 特征提取及优化研究 | 第52-54页 | 4.3.3 PCA特征降维研究 | 第54-55页 | 4.4 本章小结 | 第55-56页 | 5 基于3D模型生成虚拟人脸的多姿态人脸识别 | 第56-68页 | 5.1 虚拟人脸图像 | 第56-57页 | 5.2 特征点生成模型 | 第57-59页 | 5.3 3D模型生成虚拟人脸 | 第59-62页 | 5.3.1 人脸姿态估计 | 第59-60页 | 5.3.2 3D模型映射 | 第60-61页 | 5.3.3 算法流程 | 第61-62页 | 5.4 实验结果及分析 | 第62-66页 | 5.4.1 MTCNN人脸检测 | 第62-64页 | 5.4.2 样本扩增 | 第64-65页 | 5.4.3 IJB-A上的人脸识别 | 第65-66页 | 5.5 本章小结 | 第66-68页 | 6 总结和展望 | 第68-70页 | 6.1 论文总结 | 第68页 | 6.2 不足及展望 | 第68-70页 | 致谢 | 第70-72页 | 参考文献 | 第72-76页 | 个人简历、在学期间发表的学术论文及取得的研究成果 | 第76-77页 |
|
|
|
|
论文编号BS3619234,这篇论文共77页 会员购买按0.35元/页下载,共需支付26.95元。 直接购买按0.5元/页下载,共需要支付38.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|