声明
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1人脸特征提取
1.2.2相似度比对与度量学习
1.3 现有人脸识别方法的不足
1.4 论文的主要研究内容
1.5 论文组织结构
2 面向人脸识别的级联-集成式度量学习方法
2.1 引言
2.2 度量学习
2.2.1 度量学习相关概念
2.2.2 度量学习算法在人脸识别中的应用
2.3 级联式度量学习与集成式度量学习机制
2.3.1级联式度量学习机制
2.3.2集成式度量学习机制
2.4 鲁棒度量学习算法
2.4.1 KISSME 算法简介
2.3.2 RMML算法
2.4.3 RMML的快速求解方法
2.5 实验结果
2.5.1 实验设置
2.5.2 CNN特征实验结果
2.5.3Fisher vector特征实验结果
2.5.4 级联集成式度量学习机制灵敏度分析
2.5.5 时间分析
2.6 本章小结
3 基于特征解耦的小样本人脸识别方法
3.1 引言
3.2 小样本学习研究现状
3.3 人脸特征解耦
3.4 实验结果
3.4.1 实验设置
3.4.2小样本人脸识别结果
3.4.3 DFFL拓展性实验
3.4.4分析实验
3.5 本章小结
4 基于特征补偿的低分辨率人脸识别方法
4.1 引言
4.2 低分辨率人脸识别与特征补偿方法
4.3 基于特征补偿的低分辨率人脸识别算法
4.3.1特征提取主干网络
4.3.2分辨率判断支路
4.3.3特征补偿支路
4.3.4网络训练与损失函数
4.4 实验结果
4.4.1实验设置
4.4.2低分辨率人脸识别结果
4.4.3特征补偿分析
4.4.4 模型大小与算法速度分析
4.5 本章小结
5 总结和展望
5.1 本文的主要工作
5.2 主要创新点
5.3 课题展望
致谢
参考文献
附录:攻读硕士学位期间发表的研究成果
附录:攻读硕士学位期间参与的课题研究情况