| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外表情识别研究现状 | 第10-14页 |
| 1.2.1 人脸检测 | 第10-11页 |
| 1.2.2 特征提取 | 第11-12页 |
| 1.2.3 特征分类 | 第12-13页 |
| 1.2.4 基于深度学习的表情识别 | 第13-14页 |
| 1.3 人脸表情数据库研究现状 | 第14-15页 |
| 1.4 本文的研究内容与章节安排 | 第15-17页 |
| 第二章 深度学习算法原理介绍 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 感知机模型 | 第17-18页 |
| 2.3 人工神经网络 | 第18-21页 |
| 2.3.1 前馈神经网络 | 第19页 |
| 2.3.2 反向传播算法 | 第19-21页 |
| 2.4 卷积神经网络原理 | 第21-24页 |
| 2.4.1 卷积层原理 | 第22-23页 |
| 2.4.2 激活层 | 第23-24页 |
| 2.4.3 子采样层 | 第24页 |
| 2.5 过拟合问题 | 第24-26页 |
| 2.5.1 正则化 | 第25-26页 |
| 2.5.2 Dropout | 第26页 |
| 2.6 本章总结 | 第26-28页 |
| 第三章 基于深度学习的表情识别模型研究与设计 | 第28-42页 |
| 3.1 基于经典卷积神经网络的研究 | 第28-34页 |
| 3.1.1 Batch Normalization简介 | 第28-29页 |
| 3.1.2 残差分支结构简介 | 第29-30页 |
| 3.1.3 AlexNet模型及其改进 | 第30-33页 |
| 3.1.4 VGGNet模型 | 第33-34页 |
| 3.2 一种超轻量级卷积神经网络设计 | 第34-39页 |
| 3.2.1 深度可分离卷积原理 | 第34-36页 |
| 3.2.2 网络整体结构配置 | 第36-37页 |
| 3.2.3 网络模型均衡化 | 第37-38页 |
| 3.2.4 基于迁移学习的表情识别 | 第38-39页 |
| 3.3 基于标签分布的表情识别 | 第39-41页 |
| 3.3.1 复合表情的分析 | 第39页 |
| 3.3.2 基于表情标签分布学习的原理介绍 | 第39-41页 |
| 3.4 本章总结 | 第41-42页 |
| 第四章 人脸表情识别系统的实现与分析 | 第42-60页 |
| 4.1 基于卷积神经网络的表情识别模型实现与对比 | 第42-48页 |
| 4.1.1 数据集介绍 | 第42-43页 |
| 4.1.2 数据增强 | 第43页 |
| 4.1.3 深度学习框架的选择 | 第43-44页 |
| 4.1.4 基于AlexNet与VGGNet的实验与分析 | 第44-46页 |
| 4.1.5 轻量级卷积神经网络的实验与分析 | 第46-48页 |
| 4.1.6 预训练微调策略的实验与分析 | 第48页 |
| 4.2 基于标签分布学习的实验与分析 | 第48-51页 |
| 4.3 表情识别可视化分析模块的原理实现 | 第51-53页 |
| 4.3.1 可视化原理 | 第51-52页 |
| 4.3.2 可视化实验分析 | 第52-53页 |
| 4.4 表情识别分析系统的设计与实现 | 第53-56页 |
| 4.4.1 系统的开发环境 | 第53-54页 |
| 4.4.2 表情识别分析系统模块 | 第54页 |
| 4.4.3 系统界面设计与实现 | 第54-56页 |
| 4.5 基于Jetson tx1的CNN模型测试 | 第56-59页 |
| 4.5.1 开发板介绍 | 第56-57页 |
| 4.5.2 基于卷积神经网络的嵌入式平台测试 | 第57-59页 |
| 4.6 本章总结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |