| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 人脸属性研究现状 | 第10-15页 |
| 1.3.1 年龄估计 | 第10-12页 |
| 1.3.2 性别识别 | 第12-14页 |
| 1.3.3 表情识别 | 第14-15页 |
| 1.4 本文的组织 | 第15-16页 |
| 第2章 人脸属性特征识别提取方法 | 第16-22页 |
| 2.1 基于传统方法的的人脸属性识别 | 第16-18页 |
| 2.2 基于深度学习的人脸属性特征提取 | 第18-22页 |
| 第3章 人脸检测和对齐方法 | 第22-27页 |
| 3.1 人脸检测常用方法介绍 | 第22-25页 |
| 3.1.1 基于Harr特征和Adaboost算法的级联人脸检测方法 | 第22-23页 |
| 3.1.2 基于级联卷积神经网络的人脸检测方法 | 第23-25页 |
| 3.2 人脸对齐常用方法介绍 | 第25-27页 |
| 第4章 基于CNN的深度期望学习和标签分布式学习的年龄估计 | 第27-40页 |
| 4.1 深度期望学习在年龄估计中的应用 | 第27-28页 |
| 4.2 针对年龄识别的标签分布式学习 | 第28-29页 |
| 4.3 实验及结果分析 | 第29-40页 |
| 4.3.1 实验流程 | 第30-31页 |
| 4.3.2 数据准备 | 第31-33页 |
| 4.3.3 实验设置及结果分析 | 第33-40页 |
| 第5章 基于深度卷积的多任务学习年龄、性别和表情识别方法 | 第40-49页 |
| 5.1 基于CNN模型的多任务学习 | 第40-42页 |
| 5.1.1 深度学习中的两种多任务学习模型 | 第40-41页 |
| 5.1.2 多任务学习相比单任务学习有效的原因 | 第41-42页 |
| 5.2 实验及结果分析 | 第42-48页 |
| 5.2.1 多任务学习的CNN框架设计 | 第43-44页 |
| 5.2.2 实验设置及结果分析 | 第44-48页 |
| 5.3 多任务学习在属性识别的应用 | 第48-49页 |
| 第6章 总结和展望 | 第49-51页 |
| 6.1 工作总结 | 第49页 |
| 6.2 工作展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-59页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第59页 |
