自然场景下的人脸检测及表情识别算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-16页 |
| 1.2.1 概述 | 第12-14页 |
| 1.2.2 研究现状 | 第14-16页 |
| 1.3 人脸表情数据库 | 第16-17页 |
| 1.4 研究重点及难点 | 第17-18页 |
| 1.5 本文主要内容及章节安排 | 第18-19页 |
| 2 深度学习算法原理 | 第19-39页 |
| 2.1 深度学习基本思想及基本类型 | 第19-25页 |
| 2.1.1 感知机模型 | 第19-20页 |
| 2.1.2 BP神经网络 | 第20-23页 |
| 2.1.3 深度学习基本思想 | 第23-24页 |
| 2.1.4 深度学习的基本分类 | 第24-25页 |
| 2.2 卷积神经网络 | 第25-37页 |
| 2.2.1 网络模型结构 | 第26-30页 |
| 2.2.2 损失函数 | 第30-32页 |
| 2.2.3 梯度下降算法 | 第32-34页 |
| 2.2.4 过拟合问题 | 第34-36页 |
| 2.2.5 卷积神经网络训练过程 | 第36-37页 |
| 2.3 主流深度学习框架 | 第37-38页 |
| 2.4 本章总结 | 第38-39页 |
| 3 自然场景下的人脸检测 | 第39-53页 |
| 3.1 基于深度学习的目标检测前沿算法 | 第41-47页 |
| 3.1.1 Faster-RCNN | 第43-45页 |
| 3.1.2 YOLO | 第45-46页 |
| 3.1.3 SSD | 第46-47页 |
| 3.2 训练数据集 | 第47-48页 |
| 3.3 实验结果及分析 | 第48-52页 |
| 3.3.1 实验结果 | 第48-50页 |
| 3.3.2 结果分析 | 第50-52页 |
| 3.4 总结 | 第52-53页 |
| 4 自然场景下的人脸表情识别 | 第53-77页 |
| 4.1 网络结构选择 | 第53-62页 |
| 4.1.1 AlexNet | 第53-55页 |
| 4.1.2 VGGNet | 第55-57页 |
| 4.1.3 GoogLeNet | 第57-59页 |
| 4.1.4 ResNet | 第59-61页 |
| 4.1.5 小结 | 第61-62页 |
| 4.2 数据增强 | 第62-64页 |
| 4.2.1 常用方法 | 第62页 |
| 4.2.2 处理结果 | 第62-64页 |
| 4.3 练策略优化 | 第64-71页 |
| 4.3.1 “预训练-微调”策略 | 第64-67页 |
| 4.3.2 类别不均衡优化 | 第67-71页 |
| 4.4 网络结构优化 | 第71-75页 |
| 4.4.1 网络压缩 | 第71-73页 |
| 4.4.2 网络集成 | 第73-75页 |
| 4.5 本章总结 | 第75-77页 |
| 5 总结与展望 | 第77-79页 |
| 5.1 工作总结 | 第77-78页 |
| 5.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第83-87页 |
| 学位论文数据集 | 第87页 |
