基于深度卷积神经网络及HMAX模型的人脸年龄分类方法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要的研究内容 | 第13页 |
| 1.4 文章结构 | 第13-15页 |
| 第二章 相关理论知识介绍 | 第15-30页 |
| 2.1 HMAX模型 | 第15-18页 |
| 2.1.1 S1层 | 第16页 |
| 2.1.2 C1层 | 第16-17页 |
| 2.1.3 S2层 | 第17页 |
| 2.1.4 C2层 | 第17-18页 |
| 2.2 人工神经网络 | 第18-21页 |
| 2.2.1 神经元模型 | 第18-19页 |
| 2.2.2 多层感知器 | 第19页 |
| 2.2.3 正向传播 | 第19-20页 |
| 2.2.4 反向传播 | 第20-21页 |
| 2.3 卷积神经网络的基本原理 | 第21-23页 |
| 2.3.1 局部感受野 | 第21-22页 |
| 2.3.2 权值共享 | 第22页 |
| 2.3.3 池化 | 第22-23页 |
| 2.4 卷积神经网络的基本结构 | 第23-27页 |
| 2.4.1 卷积层 | 第24页 |
| 2.4.2 池化层 | 第24-25页 |
| 2.4.3 全连接层 | 第25-26页 |
| 2.4.4 输出层 | 第26-27页 |
| 2.5 正则化方法 | 第27-29页 |
| 2.5.1 L1正则化 | 第27-28页 |
| 2.5.2 L2正则化 | 第28页 |
| 2.5.3 Dropout | 第28-29页 |
| 2.5.4 数据扩增 | 第29页 |
| 2.6 本章小节 | 第29-30页 |
| 第三章 基于HMAX模型的人脸年龄分类方法 | 第30-39页 |
| 3.1 主动形状模型 | 第30-32页 |
| 3.1.1 灰度模型的建立 | 第30-31页 |
| 3.1.2 人脸图像匹配 | 第31-32页 |
| 3.2 人脸年龄分类 | 第32-36页 |
| 3.2.1 FG-NET数据集 | 第32页 |
| 3.2.2 分类流程图 | 第32-33页 |
| 3.2.3 人脸特征提取 | 第33-34页 |
| 3.2.4 人脸归一化 | 第34页 |
| 3.2.5 C1-S特征提取 | 第34-36页 |
| 3.3 实验结果与分析 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于深度卷积神经网络的人脸年龄分类方法 | 第39-50页 |
| 4.1 数据处理 | 第39-41页 |
| 4.1.1 数据集 | 第39页 |
| 4.1.2 数据集扩增 | 第39-40页 |
| 4.1.3 归一化处理 | 第40-41页 |
| 4.2 人脸年龄分类网络结构 | 第41-42页 |
| 4.3 评价指标 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-49页 |
| 4.4.1 实验环境配置 | 第43页 |
| 4.4.2 Tensorflow深度学习框架 | 第43页 |
| 4.4.3 激活函数的选择 | 第43-47页 |
| 4.4.4 归一化层的选择 | 第47-48页 |
| 4.4.5 Dropout保留概率的选择 | 第48页 |
| 4.4.6 模型评估 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 论文工作总结 | 第50页 |
| 5.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间发表或录用的学术论文 | 第56-57页 |
| 致谢 | 第57页 |
