| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景和意义 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-18页 |
| 1.3.1 几何特征研究现状 | 第13-14页 |
| 1.3.2 纹理特征研究现状 | 第14-15页 |
| 1.3.3 浅层特征研究现状 | 第15-16页 |
| 1.3.4 深层特征研究现状 | 第16-18页 |
| 1.4 课题技术难点突破 | 第18-19页 |
| 1.5 本文的结构安排 | 第19-20页 |
| 第二章 传统人脸美丽预测 | 第20-33页 |
| 2.1 引言 | 第20页 |
| 2.2 特征提取方法 | 第20-24页 |
| 2.2.1 LBP特征 | 第20-22页 |
| 2.2.2 LPQ特征 | 第22-23页 |
| 2.2.3 K-means特征 | 第23-24页 |
| 2.3 分类与回归方法 | 第24-28页 |
| 2.3.1 KNN方法 | 第24-25页 |
| 2.3.2 Logistic方法 | 第25-26页 |
| 2.3.3 SVM方法 | 第26-28页 |
| 2.4 大规模亚洲女生人脸美丽数据库的构建 | 第28-30页 |
| 2.5 实验结果与分析 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于CNN的人脸美丽预测 | 第33-44页 |
| 3.1 引言 | 第33页 |
| 3.2 CNN模型 | 第33-37页 |
| 3.2.1 图像卷积原理 | 第34-35页 |
| 3.2.2 网络设计 | 第35-36页 |
| 3.2.3 人脸对齐与数据增强 | 第36-37页 |
| 3.3 最优化方法 | 第37-40页 |
| 3.3.1 梯度下降法 | 第37-38页 |
| 3.3.2 牛顿法 | 第38-39页 |
| 3.3.3 共轭梯度法 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 改进的人脸美丽预测模型 | 第44-53页 |
| 4.1 双激活层网络结构 | 第44-46页 |
| 4.2 Softmax-MSE损失函数 | 第46-47页 |
| 4.3 深度特征融合训练方法 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-52页 |
| 4.4.1 改进后Proposed Net的实验结果与分析 | 第49-51页 |
| 4.4.2 多通道深度特征融合的实验结果与分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实时人脸美丽预测系统设计 | 第53-61页 |
| 5.1 软硬件设备 | 第53页 |
| 5.2 Caffe框架简介 | 第53-54页 |
| 5.3 实时人脸美丽预测系统的实现 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-60页 |
| 5.4.1 Proposed Net在其他数据库中的预测结果 | 第56-57页 |
| 5.4.2 实时人脸美丽预测系统的实验结果 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士期间成果 | 第68-69页 |
| 致谢 | 第69页 |