基于多尺度图像深度学习的人脸美丽预测研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第13-25页 |
| 1.1 课题来源 | 第13页 |
| 1.2 研究背景和研究意义 | 第13-15页 |
| 1.3 国内外研究现状 | 第15-21页 |
| 1.3.1 深度学习研究现状 | 第15-16页 |
| 1.3.2 人脸美丽研究现状 | 第16-21页 |
| 1.4 本文主要内容与安排 | 第21-25页 |
| 2 相关理论基础 | 第25-35页 |
| 2.1 引言 | 第25页 |
| 2.2 多尺度图像技术 | 第25-28页 |
| 2.3 深度卷积神经网络 | 第28-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 基于PCANet的人脸美丽预测 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 PCANET模型 | 第35-39页 |
| 3.3 多尺度深度PCANET模型 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-48页 |
| 3.4.1 SCUT-FBP数据库 | 第40-42页 |
| 3.4.2 图像预处理 | 第42-43页 |
| 3.4.3 实验过程和分析 | 第43-47页 |
| 3.4.4 回归测试效果对比 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 基于DCNN的人脸美丽预测 | 第49-61页 |
| 4.1 引言 | 第49-50页 |
| 4.2 人脸美丽图像库 | 第50-51页 |
| 4.3 DCNN模型 | 第51-56页 |
| 4.3.1 InceptionModel | 第52-53页 |
| 4.3.2 激活函数 | 第53-54页 |
| 4.3.3 1 ×1卷积核 | 第54页 |
| 4.3.4 DCNN网络结构 | 第54-56页 |
| 4.4 实验结果与分析 | 第56-59页 |
| 4.4.1 图像预处理 | 第56页 |
| 4.4.2 数据增强 | 第56-57页 |
| 4.4.3 实验过程和分析 | 第57-59页 |
| 4.5 可视化图 | 第59-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 基于Mobile-net的人脸美丽预测 | 第61-73页 |
| 5.1 引言 | 第61页 |
| 5.2 模型结构 | 第61-65页 |
| 5.2.1 图像多尺度 | 第62-63页 |
| 5.2.2 MFM激活层 | 第63页 |
| 5.2.3 深度可分离卷积 | 第63-65页 |
| 5.3 网络结构 | 第65-67页 |
| 5.4 实验结果与分析 | 第67-71页 |
| 5.4.1 人脸美丽数据库 | 第67页 |
| 5.4.2 图像尺度化 | 第67-68页 |
| 5.4.3 Caffe库训练超参数 | 第68页 |
| 5.4.4 实验方法比较 | 第68-71页 |
| 5.5 本章小结 | 第71-73页 |
| 6 总结与展望 | 第73-77页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-77页 |
| 参考文献 | 第77-83页 |
| 作者简介 | 第83页 |
