|
|
|
|
基于二阶池化和超完备表示的深度学习人脸识别研究 |
| |
| 论文目录 |
| |
| 摘要 | 第4-5页 | | ABSTRACT | 第5-6页 | | 第1章 绪论 | 第10-18页 | | 1.1 研究背景和意义 | 第10-11页 | | 1.2 国内外研究现状 | 第11-15页 | | 1.2.1 人脸识别研究现状 | 第11-13页 | | 1.2.2 卷积神经网络研究现状 | 第13-15页 | | 1.3 常用的人脸识别方法比较 | 第15-16页 | | 1.3.1 人脸识别的研究内容 | 第15页 | | 1.3.2 基于浅层特征的人脸识别 | 第15-16页 | | 1.3.3 基于深度学习的人脸识别 | 第16页 | | 1.4 本文的主要研究内容 | 第16-17页 | | 1.5 本文的组织结构 | 第17-18页 | | 第2章 卷积神经网络概述 | 第18-30页 | | 2.1 引言 | 第18页 | | 2.2 多层感知器模型的理论基础 | 第18-22页 | | 2.2.1 神经元模型 | 第18-19页 | | 2.2.2 多层感知机的拓扑结构 | 第19-21页 | | 2.2.3 误差反向传播算法 | 第21-22页 | | 2.3 卷积神经网络的理论基础 | 第22-29页 | | 2.3.1 卷积神经网络的基本思想 | 第22-23页 | | 2.3.2 卷积层的计算方法 | 第23-24页 | | 2.3.3 池化层的计算方法 | 第24-25页 | | 2.3.4 卷积神经网络的拓扑结构 | 第25-26页 | | 2.3.5 卷积神经网络的训练方法 | 第26-29页 | | 2.4 本章小结 | 第29-30页 | | 第3章 基于二阶池化的深度学习人脸识别 | 第30-50页 | | 3.1 引言 | 第30页 | | 3.2 基于卷积神经网络的人脸表示学习 | 第30-31页 | | 3.3 传统的二阶池化方法 | 第31-32页 | | 3.4 二阶池化卷积神经网络 | 第32-39页 | | 3.4.1 二阶池化层 | 第33-34页 | | 3.4.2 二阶池化卷积神经网络的网络结构 | 第34-36页 | | 3.4.3 基于多任务的损失函数 | 第36-38页 | | 3.4.4 二阶池化卷积神经网络的训练 | 第38-39页 | | 3.5 基于二阶池化的深度学习人脸识别 | 第39-41页 | | 3.5.1 基于二阶池化卷积神经网络的整体框架 | 第39-41页 | | 3.5.2 联合贝叶斯 | 第41页 | | 3.6 基于二阶池化的深度学习人脸识别的实验结果和分析 | 第41-49页 | | 3.6.1 二阶池化层的有效性 | 第42-44页 | | 3.6.2 基于多任务的损失函数的有效性 | 第44-46页 | | 3.6.3 不同度量方法的对比 | 第46-47页 | | 3.6.4 二阶池化卷积神经网络在LFW库上的对比 | 第47-49页 | | 3.7 本章小结 | 第49-50页 | | 第4章 基于超完备表示的深度学习人脸识别 | 第50-66页 | | 4.1 引言 | 第50页 | | 4.2 人脸识别中的超完备表示 | 第50-52页 | | 4.3 多区域卷积神经网络 | 第52-58页 | | 4.3.1 区域提取层 | 第53-54页 | | 4.3.2 多区域卷积神经网络的网络结构 | 第54-58页 | | 4.4 基于超完备表示的深度学习人脸识别 | 第58-59页 | | 4.4.1 基于多区域卷积神经网络的整体框架 | 第58-59页 | | 4.4.2 人脸区域的产生 | 第59页 | | 4.5 基于超完备表示的深度学习人脸识别的实验结果和分析 | 第59-64页 | | 4.5.1 人脸区域的有效性 | 第60-61页 | | 4.5.2 多区域卷积神经网络的有效性 | 第61-62页 | | 4.5.3 多区域卷积神经网络在LFW库上的对比 | 第62-64页 | | 4.6 本章小结 | 第64-66页 | | 结论 | 第66-68页 | | 参考文献 | 第68-74页 | | 攻读学位期间发表的论文 | 第74-76页 | | 致谢 | 第76页 |
|
|
|
|
论文编号BS3018885，这篇论文共76页
会员购买按0.35元/页下载，共需支付26.6元。 直接购买按0.5元/页下载，共需要支付38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。 |
|
|
广告服务