一、基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别（论文文献综述）
蒲里鹏[1]（2021）在《基于深度学习的人脸表情识别算法研究》文中认为表情识别是促进人机交互进一步发展的重要环节,同时也是计算机视觉领域中一个主要分支。目前该技术已经在多个领域中得到应用,如社交机器人、医疗辅助设备以及安全辅助驾驶等。传统的表情识别方法在识别过程中精度低、泛化能力不足。随着深度学习的发展,表情识别技术得益于深度学习的效率,识别精度提升、泛化能力加强。然而深度学习也不存在最优解,仍然有很多问题,如需要大量的数据、计算资源、梯度消失以及过拟合等。本文主要研究基于深度卷积神经网络的表情识别算法,主要在特征学习方面进行了研究和改进,主要的研究工作内容如下:（1）介绍了人脸表情识别中常见的表情数据库,选取一部分数据作为实验数据,并通过预处理对图像进行增强和归一化处理。同时通过引入深度学习的核心体系介绍表情识别中的技术难点。（2）数据量不足时,神经网络对特征的学习不完备,因此引入传统学习中的方向梯度直方图（Histogram of oriented gradient,HOG）特征算子,将传统学习与深度学习相结合,提出一个HOG-CNN表情识别模型。通过非线性特征加强的方式进行融合,使得特征信息进一步细化,在特征分类的过程中提高模型的识别性能。通过实验验证,该方法在数据集不充分的情景下能够在处理面部表情时得到有效的结果,同其他方法相比,该方法在同样数量数据集的条件下具有较好的识别率。（3）针对网络在训练过程中出现过拟合和梯度消失的问题,提出基于稀疏性的深度残差网络（Sparse Res Net）。残差网络由于增加了直接映射部分,能够确保每一层的特征都能比上一层的特征丰富,因此不会出现梯度消失的问题;而稀疏特性作为图像的自身先验知识的特性,能够在一定程度上使得特征细节得到加强。实验结果表明,该方法有效提升了特征提取能力,并且在网络训练的时候能够减少训练时间,而识别性能同其他方法相比也有一定的提升,证明该方法具有有效性。
张振[2]（2020）在《基于深度小波神经网络的时变信号分类与人脸识别技术研究》文中指出小波分析是在应用数学的基础上发展起来的一门学科。由于小波函数具有良好的时频局部特性分析能力,使小波分析在时域信号和图像特征的提取、表示与分析方面被广泛应用,是基础科学、信息科学重要的研究和应用领域。小波神经网络是以小波分析为理论基础,结合神经网络基于实例集合的自学习、自适应特性所构建的分析模型。该模型采用小波基函数来发现和突出信号的时频特征,优化神经网络的参数和误差空间,以小波基和输入向量的内积进行加权完成对输入层的特征提取,使网络具有较强的非线性拟合能力和较快的收敛速度,在信号分析和图像处理方面取得丰富成果。由于现代科技的快速发展和研究领域的不断扩大,小波神经网络的分析对象变得日益复杂。一维信号多为时变信号,主要表现为时变性、非线性和非平稳性、不确定性等特征;二维图像则具有一定的随机性和耦合性等特点,易受亮度、清晰度、角度等各方面的干扰,给问题的分析研究带来困难。基于小波神经网络对一维信号和二维图像都有较好的微观分析和特征表示能力,本文面向时变信号分类和人脸图像识别问题,提出了两类改进小波神经网络模型。主要创新点及研究工作包含以下两个方面:1.针对多通道时变信号分类问题,构建了一种稀疏自编码器深度小波过程神经网络（SAE-WPNN）。通过构建一种多输入/多输出的小波过程神经网络（WPNN）,实现对时变信号的多尺度分解和对过程分布特征的初步提取;在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。模型将基于小波基的多尺度特征分解与表示、PNN对时变信号的分类机制和学习能力、以及SAE深度网络对信号特征的高层次综合能力相结合,在机制上对复杂时变信号的分类问题具有良好的适应性。以中国心血管疾病医学数据库中基于12导联ECG信号的7种心血管疾病分类诊断进行实验,验证模型和算法的有效性。2.针对人脸图像识别问题,建立了一种基于小波多分辨分析的递归小波神经网络（RWNN）。该模型以小波多分辨分析为基础,将尺度函数和小波函数作为网络隐层激励函数,提取图像的低频轮廓特征和高频细节特征,实现对二维人脸图像由粗到细的多尺度分析,减少隐层表示的冗余。同时,结合递归神经网络的特征记忆能力和分类机制,可较为准确实现人脸图像特征的辨识和识别。以LFW人脸数据集图像识别进行实验,验证方法的可行性。
薛新根[3]（2020）在《基于深度学习算法的人脸识别研究》文中研究指明人脸识别是图像领域的经典问题,为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,采用一种基于R-CNN（Res Nets-Convolutional Neural Network）算法的人脸识别方法。该方法用人脸特征探测器有效的提取了人脸特征,同时将R-CNN卷积神经网络结合特征脸算法用于2D人脸识别。采集了400张目标脸,和人脸库中的1000张样本脸混合,形成人脸数据集。本文的主要工作如下:1.针对CNN网络过拟合问题,本文提出了网络优化方法,改进全连接层设计,对原Droupout随机稀疏进行改进,使其在训练阶段的输出值从大到小划分成两个等级（前1/2、后1/2）,两个等级的稀疏度设定也有所不同（输出值小稀疏率高,输出值大稀疏率低）,从而对全连接层进行稀疏化处理,对改进后的CNN网络在人脸数据集中进行实现,给出网络的准确率与损失。2.针对R-CNN网络的不足,提出了通过固定尺寸分割取代滑动窗口的策略,由于滑动窗口大小固定不变,且会造成窗口冗余,而固定尺寸分割会产生尺寸多样的目标估计,即使人脸图像是在极端情况下采集得到的,检测结果也较好。同时对Res Nets网络中引入网络注意力模块,这样可以加强网络的特征提取能力,网络更具鲁棒性,并将改进的Dropout技术也加入改进后的R-CNN网络中。3.设计并实现了一套基于改进的R-CNN网络的人脸检测与识别软件,结果表明在非限制性的人脸数据集中表现良好,识别率较高,鲁棒性较强。该论文有图37幅,表3个,参考文献68篇。
罗几何[4]（2019）在《基于8bit量化神经网络的人脸检测识别算法设计与FPGA验证》文中认为人脸检测识别技术操作友好用途广泛,已经成为社会生活中最重要的生物特征识别技术之一,基于深度卷积神经网络的人脸检测识别方法相较传统方法拥有更好的准确性和可扩展性,但其存储、传输与计算的成本也更高。使用数值量化方法可以降低深度卷积神经网络的运行成本,配合针对优化的硬件设计,能在有限的资源下实现较高的处理速度,若能在量化的同时保持检测识别的准确性,即有望实现高效的终端人脸检测识别系统,为智慧城市、智能物联网等下一代应用场景补上技术上的关键一环。本文首先总结了人脸检测、人脸识别、神经网络量化与硬件加速的代表性方法。然后,优化DoReFa-Net算法改变量化数据分布形式,提高量化模型的存储空间利用率,经测试,在8-bit量化精度下,可保持模型准确率且获得较高的压缩率和加速效果。基于YOLO算法设计端到端的8-bit量化人脸检测网络,在提升检测速度的同时也能取得较高的准确率。基于CenterFace算法设计低类内距离高类间距离的8-bit量化人脸识别网络,使误识更少,识别类别可扩展性更强。在此基础上,通过多层次的并行计算扩展和数据复用优化,实现了低带宽需求、高吞吐率以及高资源利用率的通用卷积神经网络加速器。最后,将8-bit量化人脸检测识别网络和硬件加速器进行结合,并在FPGA开发平台上完成验证。本文设计的8-bit量化人脸检测网络在人脸检测数据集FDDB上取得了93.91%的准确率,8-bit量化人脸识别网络在人脸识别数据集LFW上取得了94.23%的准确率,二者的准确率量化损失均小于1%。以量化人脸检测识别网络为基础,时钟频率为100 MHz时,设计的卷积神经网络加速器在Zynq XC7Z035 FPGA芯片上的有效算力可达125 GOPS,计算单元平均利用率超过80%。设计了终端人脸检测识别系统并在MIZ-7035开发板上进行了实测验证。本文的研究可以为后续高准确率或高处理速度的人脸检测识别硬件加速研究提供一定的经验参考。
杨兵[5]（2005）在《基于人脸识别的多媒体数据库管理系统》文中研究说明人脸识别技术在近几十年来成为图像处理与模式识别领域的一个研究热点,不但在理论研究上具有较大的挑战性,而且在现实生活中有广阔的应用市场。本文就是从人脸识别技术在人员多媒体信息管理系统中的应用出发,结合视频监控需求研制开发了一套实用的数据库管理系统。系统多媒体数据库采用SQL Server建立,程序主体采用Visual C++语言开发。本文首先对人脸识别技术进行了综述,重点叙述了人脸识别的一般流程及各流程所采用的方法。然后对本系统涉及到的数字图像处理算法、人脸检测定位采用的肤色模型算法和人脸识别采用的Sn-tuple神经网络算法进行了介绍。针对Sn-tuple神经网络人脸识别模型中SDM地址设置问题进行了研究,提出了两种改进方法:一是缩小取值范围的随机取值方法;二是以几幅参加训练的人脸图像像素矩阵组合成SDM地址矩阵的非随机取值方法,并使用本文开发的系统进行了大量实验,表明这两种改进能取得更优的识别性能。最后重点阐述了本系统实现的功能和系统各功能模块的设计方法及步骤,采用实际采集的人脸库与标准的ORL人脸库结合的方法对系统性能进行了测试,取得了比较满意的测试结果。
董璐[6]（2004）在《数字图像处理与识别系统的开发》文中研究表明随着科学技术的不断发展,计算机应用领域的不断开拓,一种全新的图像处理方法应运而生,这就是数字图像处理技术,即利用计算机设备将图像转变成数字信息来进行保存、处理、传输和重现。数字图像识别技术则是从数字图像处理技术中延伸出来的一个重要的研究方向。目前,数字图像处理与识别的应用范围越来越广。但就目前的水平而言,计算机对外部的感知能力还比较薄弱,还需要投入大量人力、物力从事数字图像处理与识别的理论和应用的研究。本文将从当前数字图像识别的热点问题“纸币识别”和“人脸识别”着手,来探讨数字图像处理与识别系统的开发。论文首先简单介绍了图像处理的发展,数字图像处理方法的分类以及数字图像处理系统的基本部件,并介绍了作者开发的数字图像处理与识别系统的主要功能及模块。第二章至第四章则对系统中的三个模块“数字图像处理的基本方法”、“人脸识别”及“残损纸币识别”进行详细叙述。在第二章中,作者简单总结了该系统中用到的一些数字图像处理的基本方法,包括图像增强与图像检测两部分。在第三章“人脸识别”当中,作者采用了SN-tuple神经网络的方法进行识别,探讨了网络参数的变化对识别率的影响,并用VC++进行实现。在第四章“残损纸币识别”中,作者选择了边缘检测、Fisher判别和神经网络三种方法进行识别,并进行了比较。其中,边缘检测需要区分纸币的面值和正反,之后方可识别,但性能较为稳定,识别效果较好;Fisher判别无需区分纸币的面值和正反,但识别率受样本选择的影响,不同样本,识别率有可能相差较大;神经网络方法也可不区分纸币的面值与正反,但识别率较低,若区分面值与正反,则可获得较高的识别率。最后,对该数字图像识别系统的各部分性能加以分析和总结。该系统采用Visual C++实现,部分算法的性能则结合Matlab来测试。
周兆捷,孙玉霞,吴乐南[7]（2003）在《基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别》文中研究说明本文提出了一种基于稀疏RAM的逼近型神经网络（SN-tuple）与统计模式识别相结合的人脸识别方法,采用首先直接将原始图像数据输入稀疏RAM的逼近型神经网络中进行粗分类,再由统计模式识别方法中的PCA、LDA来进行最终细分类的方法,通过大量的实验证明了该方法的有效性。
彭宏京[8]（2002）在《基于稀疏RAM的神经网络及其人脸识别应用研究》文中研究说明基于存储器的神经网络模型（如N-tuple神经网络（NTNN）、稀疏分布存储器模型（SDM）等），因其结构简单，硬件易实现；查表式的学习算法，运行速度快，因此受到众多研究者的关注。在许多领域获得了成功应用，也是神经网络走向商品化的基础模型。然而，也正是它们“无权值（weightless）计算”的结构等诸原因使它们表达非线性映射的能力不强，且其行为缺乏理论分析，因此影响了它们的进一步应用。本论文的目的是从修改它们的结构和学习算法着手进行推广性研究。通过学习能力分析、与相关模型的比较到人脸识别应用的研究都证实了推广后的新模型可行和有效。并且获得了更多原始模型不具有的性质，应用范围从原来只能进行二值模式的识别（非二值模式必须二值化）拓展到能直接处理实数向量输入模式来实现函数逼近、灰度人脸的识别。本论文的研究主要包括以下几方面的内容： 1、针对一类回归RAM式神经网络进行推广。提出了一个新型自适应模式识别系统一基于稀疏RAM的N-tuple神经网络模型（SR-NTNN），它既可以用于模式识别，也能用于函数逼近，具有比较一般性的特点。增加的可调参数使新模型表现更灵活，同时减少了存储开销，抑制了RAM式神经网络容易饱和的问题。NTNN、SDM都可以作为其特例。最后，通过实验证实了它所具有的函数逼近能力。 2、在保留SDM的稀疏分布存储特征的基础上修改了SDM的结构和学习算法，提出逼近型的SDM模型。拓展了原SDM只能应用于联想记忆的应用范围，并且对新模型进行了学习能力的理论分析，分析表明它具有与小脑模型关节控制器（CMAC）相当的学习能力，尽管它们的量化方式完全不一样。逼近型SDM有优于CMAC的许多特点：不需要哈稀（Hashing）技术、不存在分块效应以及更易于理解和实现。理论分析和示例表明了该改进模型的合理性和有效性，函数逼近的效果优于CMAC。 3、经典的N-tuple分类器及单层查找感知器模型（SLLUP）由于结构简单、运算速度快、便于硬件实现而得到广泛应用。但由于它们均是基于RAM的结构而必须二值化输入样本，因此在进行大维数样本的识别问题时受到许多限制。为此将稀疏分布存储的概念引入SLLUP,提出了基于稀疏RAM的逼近型N-tuple模型。该模型从结构上看，囊括了逼近型SDM和SLLUP，但这决非只是结构上的简单推广，当稀疏地址编码直接采用实数向量时，新模型获得了SLLUP根本不可能具有的特点，即直接对输入模式进行N-tuple采样，使得处理大维数的样本数据真正成为可能，从而表现出较SLLUP明显的优势和更大的灵活性。函数逼近的实验表明该新模型通过选择适当的参数，逼近效果远优于SLLUP和逼近型SDM。 4、将CMAC、逼近型SDM、SLLUP以及基于稀疏RAM的逼近型N-tuple模 基于稀疏RAM的神经网络及其人脸识别应用研究型等纳入到一个称为一般存储器神经网络（GMNN）的模型框架中，其共同的特点是由三部分构成：输入空间量化、存储器地址产生器、查表式某种组合输出。其本质是通过地址选择隐含地实现从低维到高维空间的映射从而能更好地解决非线性的分类和回归问题，显示出核（kernel）方法特点。特别当产生的地址个数是有限常数且网络输出是加权线性和时，证明了此类网络可以收敛到最小平方误差解，从而为更好地应用和拓展此类网络提供了理论基础。 5、提出了一系列基于Ntuple特征子模式划分的人脸识别方法。在人脸识别应用上的研究不仅证实了本文所提模型的直接处理大维数样本的能力，而且展示了一类区别于基于显式地进行特征提取的人脸识别方法的新颖性。单个NtUple的分类或逼近能力是弱的，但通过不同的组合各个Ndple的方式可改善系统的性能。由此提出了结构式组合和输出组合的两种组合方式。稀疏RAM逼近型Ntuple网络即属结构式；通过结合Naive七ayes规则和直接投票的方法等进行的组合属输出组合方式；另外采用Boosting方法集成若干N－tuple，获得了结构组合输出再组合的高级集成方法。实验是基于Benchmark人脸数据库ORL的，其特点：l人 既不需要图象的完整特征，也无需进行特征提取预处理，只需少量N－tUple特征，再按所提方法进行组合；n、输出组合方法对 N－tuple特征划分方式以及大小不敏感；3人 Boosting NtUples与常规Boosting方法的区别在于不仅仅每个基本分类器使用不同的训练集，而且同一个训练样本提交给不同基本分类器不同的特征。实验结果证实所有提出的方法均获得了较好的识别效果（误识率在6．10％左右），所使用的特征数占整幅图象的10－100％不等，但实验表明更多的特征并没有更好的效果。事实上，所提的各种组合方法，尤其是 Boosting NtuPles方法，开辟了一条进行特征选择的新途径。
陈硕[9]（2020）在《稳健回归与度量学习方法研究》文中认为在机器学习与模式识别的诸多任务中,如何真实而有效地度量两个数据样本之间的相似程度是一个极其重要的问题,并极大影响着后续识别任务的准确程度。一方面,这是因为在真实数据中,样本通常会受到噪声的干扰,欧式距离等度量方式容易受到噪声的干扰而不能如实地度量出样本间的相似性;另一方面,对于监督学习任务而言,测试阶段的数据可能会与训练阶段数据差异巨大,如果不能建立一个泛化能力良好的样本间距离度量方式,就不能在最终的测试任务上取得令人满意的性能指标。针对以上两个方面的问题,本文主要从“对噪声不敏感”和“提升泛化性能”两个角度来对现有距离度量方法作出改进与推广。首先,本文提出了两种稳健距离,并将之应用在回归模型中,建立了对噪声数据不敏感的稳健回归模型;此外,本文从参数学习角度进行建模,针对现有的距离度量学习模型在泛化能力上存在的不足进行改进,提出了三种新颖的距离度量学习模型。本文的主要成果概括如下:1.针对图像分类中的结构噪声（如遮挡、光照变化等）问题,本文提出了一种低秩隐模式逼近模型,通过直接求解参照样本与测试样本的重构样本作为隐模式,来移除结构噪声。我们使用Frobenius范数来刻画隐模式矩阵与参照样本的距离,并使用核范数来刻画隐模式与测试样本的距离,进而得到能够对测试样本中噪声稳健的距离度量。我们进一步将距离模型扩展为一种回归形式,用于刻画样本到类别的距离,并使用改进后的交替方向乘子法来求解回归系数和隐模式矩阵。多个数据集上的实验验证了,与最新的一些基于重建的回归模型相比,该方法在处理带有结构噪声的识别问题时具有一定的优势。2.考虑到现有的基于l0-范数的距离度量一方面忽略了结构噪声的相关性,另一方面它们大多采用近似的迭代求解方法,而无法高效地求取一个精确解。本文首先对l0-范数进行了推广,将该范数中对非零元素的计数泛化为非零邻域的计数,提出了一种新颖的δ-范数,进而能够刻画具有结构性的图像噪声。本文使用核方法构造了能够在核空间内无限逼近δ-范数的核函数,并在具体的回归模型上进行应用,进而得到了高效的闭式解,在测试阶段仅需要进行矩阵投影运算。在多个图像数据库上的识别和重构实验表明,该方法能够在具备速度优势的情况下,达到比现有稳健回归模型更准确的识别性能和重构效果。3.现有的距离度量学习模型仅能利用给定的原始数据进行训练,难以在差异较大的测试数据上取得稳定的泛化性能。针对该问题,本文提出了对抗度量学习模型,通过产生对抗数据来弥补训练数据与测试数据之间的差异。该模型分为两个阶段,在混淆阶段,模型自动产生具有歧义但对于学习算法十分关键的对抗数据,然后在区分阶段将对抗数据连同原始数据一同用于训练得到一个稳健的距离度量,进而提高了度量学习模型的鉴别能力。我们在人工数据实验以及分类和匹配等任务上验证了提出的对抗度量学习模型的优越性。4.针对线性距离度量（即马氏距离）拟合能力欠佳的问题,本文提出了一种数据自适应的度量学习模型,将以往度量学习中的单个投影矩阵推广为多个投影矩阵的线性组合,并为每个数据对设定相应的表示系数来对投影矩阵进行选择,进而达到数据自适应的目的。我们的方法被形式化为一个联合学习投影矩阵与稀疏表示系数的最优化模型。我们随后将模型扩展为核化版本,进一步提升了模型的非线性拟合能力,并提供了相应的迭代阈值收缩算法对模型进行求解。该方法在图像检索、模式分类、图像匹配等任务上取得了具有优势的识别性能。5.针对传统度量学习无法自适应的捕获数据的几何形状这一问题,本文提出了曲线距离度量学习。首先我们经过数学推导发现传统线性度量学习等价于计算样本对在测量线上的累计弧长值。由于直线测量线无法刻画空间曲面的曲线距离,本文提出将以往的直线测量线改进为一般的曲线形式,进而能够自适应地学习数据的几何形状。基于Weierstrass定理,我们将曲线的学习过程转化为一个关于三阶张量的最优化模型,并设计了相应的随机优化方法进行求解。本文进一步通过理论证明了这一泛化模型的拟合能力、误差上界、以及拓扑学性质,保证了模型的合理性和可靠性。该方法在合成数据和真实数据的分类、匹配、检索等任务上达到了优异的识别性能。
张润生[10]（2020）在《基于深度神经网络的部分伪装人脸识别研究及FPGA实现》文中研究说明近年来,视频监控领域下的人脸识别得到了广泛关注,通过视频监控来追踪犯罪分子,大大提升了案件的侦破率。但是犯罪分子可能通过伪装,来逃避监控系统的追查。伪装人脸识别作为人脸识别问题中的一个重要分支,对其进行研究对打击犯罪分子、维护社会治安等方面具有重要的意义。现阶段对伪装人脸识别的研究较少,现有算法的识别准确率不高,鲁棒性不强。针对这些问题,本文提出了一种基于深度神经网络的伪装人脸识别算法,通过改进网络模型提高了算法的识别准确率。对识别算法进行FPGA设计,并在FPGA上完成实现,达到了算法加速的效果。主要研究内容如下:提出了一种基于深度神经网络的伪装人脸识别算法,通过改进Squeeze Net网络模型,并将其与Face Net网络架构进行结合用于提取特征。采用triplet对完成模型的训练,最后比较不同图像之间的特征差异完成识别过程,并通过在不同参数下的实验分析了该方法的可行性。实验结果表明,本文提出的算法识别准确率接近90%,相较于其它算法,识别准确率具有一定程度的提升。对人脸识别算法进行了FPGA设计。首先对识别算法的运算过程进行了分析,分析了神经网络推理过程中的并行性,运算过程和运算量。其次对任务进行软硬件划分,完成了识别算法的系统总体设计方案。最后分别对神经网络中的各种运算设计了相应的运算单元,并根据这些运算单元设计了各个运算层。在FPGA实现上人脸识别算法。基于对识别算法的FPGA设计,制定了识别算法的软硬件实现流程。设计了网络模型各层的IP核,进行硬件加速,并使用ARM处理器实现系统的流程控制以及相关软件运算。实验结果表明,该硬件实现的运算速度相较于CPU提升了2.69倍,具有较好的加速效果。
二、基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别（论文提纲范文）
（1）基于深度学习的人脸表情识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与选题意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及结构安排 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文章节安排 |
| 2 人脸表情识别的相关理论基础 |
| 2.1 常用数据集 |
| 2.2 数据集图像预处理 |
| 2.2.1 人脸特征点检测与对齐 |
| 2.2.2 人脸数据增强 |
| 2.2.3 数据归一化 |
| 2.3 深度学习理论 |
| 2.3.1 人工神经网络 |
| 2.3.2 深度卷积网络 |
| 2.3.3 激活函数 |
| 2.4 人脸表情识别理论 |
| 2.4.1 特征提取 |
| 2.4.2 特征分类 |
| 2.5 本章小结 |
| 3 基于HOG特征卷积神经网络的表情识别算法 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积神经网络特点 |
| 3.2.2 卷积神经网络的结构 |
| 3.3 改进的HOG卷积神经网络模型 |
| 3.3.1 HOG算法基本原理 |
| 3.3.2 改进的HOG卷积神经网络算法 |
| 3.3.3 特征加权支持向量机 |
| 3.4 实验结果与分析 |
| 3.4.1 实验描述 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 4 基于稀疏特性残差神经网络表情识别算法 |
| 4.1 引言 |
| 4.2 残差网络 |
| 4.2.1 残差网络的结构 |
| 4.2.2 残差网络的原理 |
| 4.3 基于稀疏性的残差神经网络模型 |
| 4.3.1 先验知识 |
| 4.3.2 稀疏残差神经网络设计 |
| 4.4 实验结果与分析 |
| 4.4.1 实验描述 |
| 4.4.2 实验结果 |
| 4.4.3 性能对比与消融实验 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（2）基于深度小波神经网络的时变信号分类与人脸识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题意义 |
| 1.2 相关领域研究概况 |
| 1.3 本文研究内容和技术路线 |
| 1.4 本文内容组织结构 |
| 2 相关理论和技术 |
| 2.1 小波神经网络 |
| 2.2 过程神经网络 |
| 2.3 稀疏自编码器 |
| 2.4 Elman神经网络 |
| 2.5 本章小结 |
| 3 基于深度小波过程神经网络的时变信号分类 |
| 3.1 问题分析 |
| 3.2 小波过程神经网络 |
| 3.3 深度小波过程神经网络 |
| 3.4 深度小波过程神经网络学习算法 |
| 3.5 实验及结果分析 |
| 3.6 本章小结 |
| 4 基于递归多分辨小波神经网络的人脸识别 |
| 4.1 问题分析 |
| 4.2 人脸目标检测技术 |
| 4.3 图像信号的特征提取 |
| 4.4 多分辨小波神经网络 |
| 4.5 递归多分辨小波神经网络模型 |
| 4.6 递归多分辨小波神经网络学习算法 |
| 4.7 实验及结果分析 |
| 4.8 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（3）基于深度学习算法的人脸识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别的发展与现状 |
| 1.3 神经网络的发展和现状 |
| 1.4 本文研究内容与结构安排 |
| 2 人脸识别和深度学习网络 |
| 2.1 人脸识别的基本概论 |
| 2.2 人脸检测与人脸识别方法 |
| 2.3 深度学习网络 |
| 2.4 深度学习网络的运用 |
| 2.5 Tensor Flow深度学习框架 |
| 2.6 本章小结 |
| 3 卷积神经网络及其改进 |
| 3.1 卷积神经网络的基本原理 |
| 3.2 卷积神经网络的组成单元 |
| 3.3 激活函数 |
| 3.4 卷积神经网络的理论推导 |
| 3.5 Dropout技术的改进 |
| 3.6 本章小结 |
| 4 基于R-CNN和特征脸算法的人脸检测与识别 |
| 4.1 R-CNN神经网络 |
| 4.2 R-CNN神经网络改进 |
| 4.3 各层作用 |
| 4.4 人脸识别过程 |
| 4.5 软件系统设计 |
| 4.6 本章小结 |
| 5 实验以及结果分析 |
| 5.1 样本采集 |
| 5.2 模型训练与参数选择 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于8bit量化神经网络的人脸检测识别算法设计与FPGA验证（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测的研究 |
| 1.2.2 人脸识别的研究 |
| 1.2.3 神经网络量化与硬件加速的研究 |
| 1.3 研究内容及设计指标 |
| 1.3.1 研究内容 |
| 1.3.2 设计指标 |
| 1.4 论文章节安排 |
| 第二章 卷积神经网络及其量化与人脸检测识别算法原理 |
| 2.1 卷积神经网络原理 |
| 2.1.1 前馈神经网络 |
| 2.1.2 卷积操作 |
| 2.1.3 批量标准化 |
| 2.1.4 激活函数 |
| 2.1.5 池化操作 |
| 2.1.6 网络结构 |
| 2.1.7 损失函数与反向传播 |
| 2.2 卷积神经网络量化方法 |
| 2.2.1 不同数据类型的表达与计算 |
| 2.2.2 卷积神经网络量化原理 |
| 2.2.3 DoReFa-Net量化方法 |
| 2.2.4 DoReFa-Net量化位宽效果对比 |
| 2.3 目标检测框架YOLO |
| 2.3.1 设计理念 |
| 2.3.2 网络结构 |
| 2.3.3 锚框 |
| 2.3.4 损失函数 |
| 2.4 人脸识别框架CenterFace |
| 2.4.1 设计理念 |
| 2.4.2 网络结构 |
| 2.4.3 损失函数 |
| 2.5 本章小结 |
| 第三章 8-bit量化人脸检测识别网络的设计 |
| 3.1 人脸检测识别任务执行流程 |
| 3.2 量化算法设计 |
| 3.2.1 算法优化设计 |
| 3.2.2 量化位数测试与选择 |
| 3.3 人脸检测网络设计 |
| 3.3.1 训练平台介绍及数据集选取 |
| 3.3.2 检测网络的结构选择与算法调整 |
| 3.3.3 网络训练过程 |
| 3.3.4 训练结果分析 |
| 3.4 人脸识别网络设计 |
| 3.4.1 训练平台介绍及数据集选取 |
| 3.4.2 识别网络的结构设计与算法调整 |
| 3.4.3 网络训练过程 |
| 3.4.4 训练结果分析 |
| 3.5 本章小结 |
| 第四章 基于FPGA的卷积神经网络加速器设计 |
| 4.1 加速器设计依据 |
| 4.1.1 影响加速器性能的因素 |
| 4.1.2 计算单元部署方式分析 |
| 4.1.3 计算强度分析 |
| 4.2 加速器整体结构设计 |
| 4.3 模式配置器设计 |
| 4.4 数据调度模块设计 |
| 4.5 缓存模块设计 |
| 4.6 卷积计算模块设计 |
| 4.6.1 基于一维脉动阵列的卷积计算单元 |
| 4.6.2 卷积计算模块整体结构 |
| 4.7 卷积结果处理模块设计 |
| 4.8 本章小结 |
| 第五章 人脸检测识别神经网络FPGA加速验证 |
| 5.1 FPGA验证平台搭建 |
| 5.1.1 硬件平台介绍 |
| 5.1.2 硬件架构设计 |
| 5.1.3 验证任务执行流程 |
| 5.2 功能验证与FPGA验证 |
| 5.2.1 功能仿真验证 |
| 5.2.2 硬件调试实现 |
| 5.2.3 FPGA实测验证 |
| 5.3 结果分析与比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的成果 |
（5）基于人脸识别的多媒体数据库管理系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 人脸识别技术研究的发展历史及现状 |
| 1.3 人脸识别技术的应用 |
| 1.4 人脸识别技术涉及的学科 |
| 1.5 影响人脸识别的重要因素 |
| 1.6 人脸识别流程 |
| 1.6.1 人脸图像采集 |
| 1.6.2 数字图像处理 |
| 1.6.3 人脸检测定位方法 |
| 1.6.4 人脸识别方法 |
| 1.7 论文主要工作及组织结构 |
| 第二章 数字图像处理 |
| 2.1 数字图像处理概述 |
| 2.2 BMP位图文件格式 |
| 2.3 图像处理方法 |
| 2.3.1 几何变换 |
| 2.3.2 灰度变换 |
| 2.3.3 图像平滑 |
| 2.3.4 图像锐化 |
| 2.3.5 彩色图像灰度化 |
| 2.4 本章小结 |
| 第三章 肤色模型法人脸检测定位 |
| 3.1 肤色空间 |
| 3.2 人脸区域检测定位 |
| 3.3 检测定位结果分析 |
| 3.4 本章小结 |
| 第四章 Sn-tuple神经网络人脸识别 |
| 4.1 神经网络简介 |
| 4.1.1 神经网络的构造原则 |
| 4.1.2 神经网络的结构 |
| 4.1.3 神经网络的学习规则 |
| 4.2 Sn-tuple神经网络模型分析 |
| 4.2.1 SLLUP神经网络模型 |
| 4.2.2 SDM神经网络模型 |
| 4.2.3 Sn-tuple神经网络模型 |
| 4.3 Sn-tuple神经网络在人脸识别中的应用 |
| 4.4 Sn-tuple神经网络模型参数设置 |
| 4.5 SDM地址设置的探讨 |
| 4.6 本章小结 |
| 第五章 系统设计及测试 |
| 5.1 系统实现功能 |
| 5.2 系统组成与设计 |
| 5.2.1 系统开发软硬件环境 |
| 5.2.2 用户管理模块 |
| 5.2.3 图像处理模块 |
| 5.2.4 数据管理模块 |
| 5.2.5 人脸识别模块 |
| 5.3 系统测试 |
| 5.3.1 测试人脸库 |
| 5.3.2 系统性能指标 |
| 5.3.3 系统性能测试及结果分析 |
| 5.4 本章小结 |
| 第六章 总结 |
| 参考文献 |
| 发表论文 |
（6）数字图像处理与识别系统的开发（论文提纲范文）
| 摘 要 |
| Abstract |
| 第一章 绪 论 |
| 第二章 数字图像处理的常用方法 |
| 2.1 图像增强 |
| 2.1.1 灰度增强 |
| 2.1.2 锐化 |
| 2.1.3 中值滤波 |
| 2.2 图像检测 |
| 2.2.1 边缘检测 |
| 2.2.2 霍夫变换 |
| 第三章 人脸图像识别 |
| 3.1 研究历史及现状 |
| 3.2 人脸图像识别技术 |
| 3.2.1 人脸检测定位算法 |
| 3.2.2 人脸识别算法 |
| 3.3 图像采集与人脸提取 |
| 3.3.1 图像采集 |
| 3.3.2 肤色模型法提取人脸 |
| 3.4 神经网络训练与识别 |
| 3.5 算法实现及性能分析 |
| 3.6 小结 |
| 第四章 残损纸币的识别 |
| 4.1 国内外研究现状及应用前景 |
| 4.2 残损纸币的识别流程 |
| 4.3 判别指标 |
| 4.4 票面残缺及污渍的检测 |
| 4.5 票面模糊的检测 |
| 4.5.1 边缘检测识别 |
| 4.5.2 Fisher线性判别 |
| 4.5.3 神经网络识别 |
| 4.6 小结 |
| 第五章 总 结 |
| 参考文献 |
| 作者在研究生阶段发表的论文 |
| 致 谢 |
（7）基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别（论文提纲范文）
| 1 引言 |
| 2 基于稀疏RAM的逼近型神经网络与统计模式识别方法的结合 |
| 2.1 基于稀疏RAM的逼近型神经网络在人脸识别中的应用 |
| 2.1.1 学习算法 |
| 2.1.2 在人脸识别中应用 |
| 2.2 统计模式识别在人脸识别中的应用 |
| 2.2.1 基于PCA (Eigencefaces)的人脸识别算法 |
| 2.2.2 基于LDA (Fisherfaces)的人脸识别算法 |
| 2.3 两类方法的结合 |
| 3 实验结果 |
| 4 结束语 |
（8）基于稀疏RAM的神经网络及其人脸识别应用研究（论文提纲范文）
| 第1章 绪论 |
| 1.1 神经网络结构和训练方法分类 |
| 1.2 有权型基于存储器的神经网络模型 |
| 1.3 无权型基于存储器的神经网络模型 |
| 1.3.1 Kanerva的稀疏分布存储器模型 |
| 1.3.2 N-tuple神经网络模型 |
| 1.4 神经网络分类方法的优缺点 |
| 1.5 本文的贡献 |
| 第2章 基于稀疏RAM的N-TUPLE神经网络模型 |
| 2.1 引言 |
| 2.2 内插式N-tuple模型和内插式SDM |
| 2.3 SR-NTNN |
| 2.3.1 SR-NTNN的体系结构的构造 |
| 2.3.2 SR-NTNN的学习算法及其特点 |
| 2.3.3 函数逼近实验 |
| 2.4 本章小结 |
| 第3章 逼近型稀疏分布存储器模型 |
| 3.1 引言 |
| 3.2 CMAC模型 |
| 3.3 逼近型SDM模型及其学习收敛性 |
| 3.3.1 算法的进一步描述 |
| 3.3.2 学习收敛性 |
| 3.4 函数逼近示例 |
| 3.5 本章小结 |
| 第4章 基于稀疏RAM的逼近型N-TUPLE神经网络模型 |
| 4.1 引言 |
| 4.2 SLLUP |
| 4.3 CMAC与SLLUP的比较 |
| 4.4 基于稀疏RAM的逼近型N-tuple网络模型 |
| 4.4.1 结构 |
| 4.4.2 学习算法 |
| 4.4.3 学习收敛性 |
| 4.4.4 函数逼近示例 |
| 4.5 本章小结 |
| 第5章 一般存储器神经网络的学习收敛性理论结果 |
| 5.1 引言 |
| 5.2 GMNN结构及其学习收敛性 |
| 5.2.1 结构 |
| 5.2.2 地址距离 |
| 5.2.3 GMNN学习收敛性 |
| 5.2.3.1 学习规则 |
| 5.2.3.2 学习收敛性条件 |
| 5.2.3.3 最小平方误差收敛 |
| 5.2.4 精确学习的进一步分析 |
| 5.3 本章小结 |
| 第6章 基于N-tuple特征分解的人脸识别方法 |
| 6.1 引言 |
| 6.2 基于KL变换的特征脸识别方法及各种改进方法 |
| 6.3 基于N-tuple特征分解的Bayes人脸识别方法 |
| 6.3.1 特征空间分解的识别实验 |
| 6.3.1.1 PRM |
| 6.3.1.2 Naive-bayes规则 |
| 6.3.1.3 特征空间分解的PRM实验 |
| 6.3.2 N-tuple与Naive-bayes结合 |
| 6.4 基于稀疏RAM的逼近型N-tuple网络的人脸识别实验 |
| 6.5 BoostingN-tuples |
| 6.5.1 Boosting |
| 6.5.2 集成N-tuples的AdaBoost方法 |
| 6.6 本章小结 |
| 第7章 回顾与展望 |
| 参考文献 |
| 在校期间发表的论文 |
| 致谢 |
（9）稳健回归与度量学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 稳健回归与度量学习研究概述 |
| 1.2.1 稳健回归模型的研究现状 |
| 1.2.2 度量学习模型的研究现状 |
| 1.3 本文研究工作概述与内容安排 |
| 2 低秩隐模式逼近模型 |
| 2.1 引言 |
| 2.2 距离模型 |
| 2.2.1 问题形式与模型建立 |
| 2.2.2 距离模型的求解 |
| 2.2.3 距离鉴别能力分析 |
| 2.3 回归模型 |
| 2.3.1 模型描述 |
| 2.3.2 求解算法 |
| 2.4 实验结果 |
| 2.4.1 AR人脸数据集上的实验 |
| 2.4.2 扩充的Yale B人脸数据集上的实验 |
| 2.4.3 CUFS人脸数据集上的实验 |
| 2.4.4 LFW与Pub Fig人脸数据集上的实验 |
| 2.4.5 Poly U掌纹数据集上的实验 |
| 2.4.6 Caltech-256数据集上的实验 |
| 2.4.7 运行时间对比 |
| 2.4.8 参数敏感性分析 |
| 2.5 本章小节 |
| 3 δ -范数及其稳健回归模型 |
| 3.1 引言 |
| 3.2 模型建立 |
| 3.2.1 δ -范数的定义 |
| 3.2.2 基于δ -范数的稳健回归 |
| 3.2.3 核空间内模型的求解 |
| 3.2.4 基于DRR模型的分类器与重建 |
| 3.2.5 多尺度形式的DRR模型 |
| 3.3 实验结果 |
| 3.3.1 核空间的欧式距离与表示系数的可视化 |
| 3.3.2 噪声环境下的生物特征图像识别 |
| 3.3.3 背景建模 |
| 3.3.4 目标识别 |
| 3.3.5 运行时间对比 |
| 3.3.6 参数敏感性 |
| 3.4 本章小节 |
| 4 对抗度量学习 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模型建立 |
| 4.4 优化算法 |
| 4.4.1 收敛性分析 |
| 4.5 实验结果 |
| 4.5.1 合成数据集上的实验 |
| 4.5.2 分类实验 |
| 4.5.3 认证实验 |
| 4.5.4 参数敏感性 |
| 4.6 本章小节 |
| 5 数据自适应度量学习 |
| 5.1 引言 |
| 5.2 模型建立 |
| 5.2.1 符号约定 |
| 5.2.2 线性模型 |
| 5.2.3 核化模型 |
| 5.2.4 优化算法 |
| 5.3 实验结果 |
| 5.3.1 检索实验 |
| 5.3.2 分类实验 |
| 5.3.3 认证实验 |
| 5.3.4 参数敏感性 |
| 5.4 本章小节 |
| 6 曲线距离度量学习 |
| 6.1 引言 |
| 6.2 模型建立 |
| 6.2.1 符号约定 |
| 6.2.2 线性距离度量的一个几何解释 |
| 6.2.3 模型建立 |
| 6.2.4 优化算法 |
| 6.3 理论分析 |
| 6.3.1 拟合能力 |
| 6.3.2 泛化误差界 |
| 6.3.3 拓扑性质 |
| 6.4 实验结果 |
| 6.4.1 合成数据集上的可视化 |
| 6.4.2 分类实验 |
| 6.4.3 认证实验 |
| 6.4.4 聚类与检索实验 |
| 6.4.5 模型稳健性 |
| 6.4.6 参数敏感性 |
| 6.5 相关证明 |
| 6.6 本章小节 |
| 7 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于深度神经网络的部分伪装人脸识别研究及FPGA实现（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别的研究内容与难点 |
| 1.2.1 人脸识别的研究内容 |
| 1.2.2 人脸识别的研究难点 |
| 1.3 伪装人脸识别研究现状 |
| 1.4 本文主要工作及内容安排 |
| 第2章 神经网络基础知识 |
| 2.1 深度学习 |
| 2.1.1 激活函数 |
| 2.1.2 梯度下降算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 卷积神经网络模型 |
| 2.3 深度学习算法实现平台 |
| 2.4 本章小结 |
| 第3章 基于Face Net的伪装人脸识别算法 |
| 3.1 引言 |
| 3.2 网络架构 |
| 3.2.1 Face Net网络架构 |
| 3.2.2 Triplet损失 |
| 3.3 深度神经网络模型 |
| 3.3.1 Squeeze Net网络模型 |
| 3.3.2 改进的Squeeze Net网络结构 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集及处理 |
| 3.4.2 超参数设置及性能指标 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第4章 伪装人脸识别算法的FPGA设计 |
| 4.1 伪装人脸识别算法分析 |
| 4.1.1 并行性分析 |
| 4.1.2 计算过程分析 |
| 4.1.3 乘法运算量分析 |
| 4.2 伪装人脸识别算法的硬件设计 |
| 4.2.1 系统设计方案 |
| 4.2.2 基本运算单元设计 |
| 4.2.3 运算层设计 |
| 4.3 本章小结 |
| 第5章 伪装人脸识别算法的FPGA实现 |
| 5.1 硬件实现平台及开发环境 |
| 5.1.1 硬件平台介绍 |
| 5.1.2 开发环境 |
| 5.2 硬件部分实现 |
| 5.3 软件部分实现 |
| 5.4 实验结果与分析 |
| 5.4.1 FPGA资源使用率 |
| 5.4.2 运算结果对比 |
| 5.5 实验结果与分析 |
| 第6章 结束语 |
| 6.1 主要工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
四、基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别（论文参考文献）
- [1]基于深度学习的人脸表情识别算法研究[D]. 蒲里鹏. 重庆理工大学, 2021(02)
- [2]基于深度小波神经网络的时变信号分类与人脸识别技术研究[D]. 张振. 山东科技大学, 2020(06)
- [3]基于深度学习算法的人脸识别研究[D]. 薛新根. 辽宁工程技术大学, 2020(02)
- [4]基于8bit量化神经网络的人脸检测识别算法设计与FPGA验证[D]. 罗几何. 东南大学, 2019(06)
- [5]基于人脸识别的多媒体数据库管理系统[D]. 杨兵. 东南大学, 2005(01)
- [6]数字图像处理与识别系统的开发[D]. 董璐. 东南大学, 2004(02)
- [7]基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别[J]. 周兆捷,孙玉霞,吴乐南. 信号处理, 2003(06)
- [8]基于稀疏RAM的神经网络及其人脸识别应用研究[D]. 彭宏京. 南京航空航天大学, 2002(02)
- [9]稳健回归与度量学习方法研究[D]. 陈硕. 南京理工大学, 2020(01)
- [10]基于深度神经网络的部分伪装人脸识别研究及FPGA实现[D]. 张润生. 重庆邮电大学, 2020(02)