论文目录 | |
| 摘要 | 第1-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 人脸检测算法以及加速研究现状 | 第12-14页 |
| 1.3 本文研究工作及结构安排 | 第14-16页 |
| 第二章 人脸检测算法的核心与发展 | 第16-28页 |
| 2.1 特征不变性 | 第16-17页 |
| 2.2 尺度无关性 | 第17-21页 |
| 2.2.1 图像金字塔 | 第18-19页 |
| 2.2.2 金字塔特征层次结构 | 第19-20页 |
| 2.2.3 特征金字塔网络 | 第20-21页 |
| 2.3 传统人脸检测算法 | 第21-24页 |
| 2.3.1 早期阶段 | 第21-22页 |
| 2.3.2 基于AdaBoost框架的人脸检测算法 | 第22-23页 |
| 2.3.3 非极大值抑制(NMS) | 第23-24页 |
| 2.4 早期基于深度学习人脸检测技术 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于图像金字塔的快速级联CNN人脸检测算法 | 第28-41页 |
| 3.1 早期级联CNN的人脸检测算法困境 | 第28-29页 |
| 3.2 基于MTCNN的快速人脸检测算法优化主要方向 | 第29-35页 |
| 3.2.1 样本不平衡成因与结果 | 第29-33页 |
| 3.2.2 MTCNN在网络结构上的优化 | 第33-35页 |
| 3.3 训练集与测试集 | 第35-36页 |
| 3.4 基于MTCNN算法进一步优化与加速 | 第36-39页 |
| 3.5 结果分析与展示 | 第39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 基于锚框的单阶段人脸检测算法 | 第41-53页 |
| 4.1 基于锚框算法 | 第42-43页 |
| 4.1.1 锚框简介 | 第42-43页 |
| 4.1.2 单阶段与双阶段目标检测算法的区别 | 第43页 |
| 4.2 采用损失函数Focal Loss进一步解决样本不均衡 | 第43-45页 |
| 4.3 多策略实现单阶段锚框人脸快速检测算法 | 第45-50页 |
| 4.3.1 基于SSD的多尺度人脸检测算法 | 第45-46页 |
| 4.3.2 引入密集采样策略优化候选区域生成 | 第46-47页 |
| 4.3.3 引入上采样策略优化预测层 | 第47-48页 |
| 4.3.4 引入特征金字塔网络实现尺度无关 | 第48页 |
| 4.3.5 Context Module进一步增强预测层的表征能力 | 第48-50页 |
| 4.4 结果分析与展示 | 第50页 |
| 4.5 本章小结 | 第50-53页 |
| 第五章 无锚框的快速人脸检测算法 | 第53-60页 |
| 5.1 无锚框与锚框人脸检测算法的区别 | 第53-54页 |
| 5.2 无锚框算法典型的实现方式 | 第54页 |
| 5.3 基于CenterNet的人脸快速检测算法初步实现 | 第54-55页 |
| 5.4 基于CenterNet进一步实现快速人脸检测算法 | 第55-57页 |
| 5.4.1 优化模型结构 | 第56页 |
| 5.4.2 优化激活函数 | 第56-57页 |
| 5.4.3 优化训练技巧 | 第57页 |
| 5.5 结果分析与展示 | 第57-59页 |
| 5.6 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-63页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 硕士期间取得的成果 | 第68页 |
