基于对抗学习的带妆人脸验证算法的研究

目录

声明

摘要

插图清单

表格清单

算法索引

1．1 引言

1．2国内外研究现状

1．2．1基于深度神经网络的人脸识别算法

1．2．2带妆人脸识别与验证算法

1．3本文研究内容

1．4本文组织结构和安排

第2章带妆面部图像生成与验证概述

2．1图像生成

2．1．1传统生成类模型

2．1．2生成对抗网络

2．1．3其他类型的生成对抗网络

2．2图像识别

2．2．1 VGG(Visual Geometry Group)

2．2．2 GoogLeNet

2．2．3残差网络(Residual Network，ResNet)

2．2．4轻量卷积神经网络(LightCNN)

第3章基于妆容定向生成的带妆人脸验证

3．1 引言

3．1．1妆容迁移的研究意义

3．1．2妆容迁移的研究现状

3．1．3生成对抗网络定向生成

3．2问题描述

3．3基于妆容定向生成的带妆人脸验证

3．3．1妆容评估

3．3．2妆容的定向生成

3．3．3妆容确认

3．3．4 makeup-GAN(MUGAN)的整体框架

3．3．5人脸验证及验证结果反馈

3．3．6模型优化

3．3．7未知人脸验证

3．4实验与分析

3．4．1实验条件

3．4．2妆容定向生成效果展示

3．4．3带妆人脸验证

3．5本章小结

第4章基于中间层对抗学习的带妆人脸验证

4．1引言

4．2问题描述

4．3基于中间层对抗学习的带妆人脸验证算法

4．3．1网络结构

4．3．2采样方式

4．3．3特征提取网络的损失函数

4．3．4对抗损失

4．3．5模型优化

4．3．6未知样本预测

4．4实验与分析

4．4．1实验条件

4．4．2对抗合理性验证

4．4．3对抗位置的确认

4．4．4模型效果验证

4．4．5模型抗攻击性验证

4．5本章小结

第5章总结与展望

5．1本文工作总结

5．2工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果