基于深度学习的人脸面部情感识别的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 项目背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要研究内容和章节安排 | 第13-15页 |
| 第2章 人脸情感识别关键技术的研究 | 第15-36页 |
| 2.1 引言 | 第15页 |
| 2.2 人脸情感识别流程 | 第15-16页 |
| 2.3 传统的面部表情特征学习方法 | 第16-19页 |
| 2.3.1 局部二值模式 | 第16-18页 |
| 2.3.2 Gabor | 第18-19页 |
| 2.4 支持向量机 | 第19-20页 |
| 2.5 神经网络 | 第20-24页 |
| 2.5.1 神经网络模型 | 第20-22页 |
| 2.5.2 反向传播算法 | 第22-24页 |
| 2.6 卷积神经网络模型 | 第24-33页 |
| 2.6.1 卷积层 | 第24-27页 |
| 2.6.2 采样层 | 第27页 |
| 2.6.3 network in network | 第27-29页 |
| 2.6.4 inception结构 | 第29-33页 |
| 2.7 代价函数 | 第33页 |
| 2.8 过拟合问题与正则化 | 第33-35页 |
| 2.8.1 过拟合问题 | 第33-34页 |
| 2.8.2 正则化 | 第34-35页 |
| 2.9 本章小结 | 第35-36页 |
| 第3章 基于深度学习的系统设计与实现 | 第36-44页 |
| 3.1 引言 | 第36页 |
| 3.2 系统整体架构设计 | 第36-37页 |
| 3.3 网络模型 | 第37-39页 |
| 3.3.1 模型改进 | 第37-38页 |
| 3.3.2 激活函数的选取 | 第38-39页 |
| 3.4 整体网络模型 | 第39-42页 |
| 3.5 深度学习框架的比较选择 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 深度学习网络模型训练和实验结果 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 实验环境 | 第44页 |
| 4.3 数据集的选择和增强 | 第44-47页 |
| 4.3.1 数据集的选择 | 第44-46页 |
| 4.3.2 数据的增强 | 第46页 |
| 4.3.3 数据预处理方式 | 第46-47页 |
| 4.4 网络模型参数的设置 | 第47-49页 |
| 4.4.1 模型参数的初始化 | 第47-48页 |
| 4.4.2 训练参数设置 | 第48-49页 |
| 4.4.3 优化算法 | 第49页 |
| 4.5 网络模型的训练 | 第49-51页 |
| 4.6 实验结果 | 第51-55页 |
| 4.6.1 实验结果 | 第51-54页 |
| 4.6.2 系统运行结果 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |
