基于卷积网络集成的面部表情识别方法
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12页 |
| 1.2 项目背景与研究意义 | 第12-17页 |
| 1.2.1 情感计算与人工智能 | 第12-13页 |
| 1.2.2 自动表情识别 | 第13-14页 |
| 1.2.3 研究现状 | 第14-17页 |
| 1.3 本文组织结构 | 第17-18页 |
| 第2章 人工神经网络与卷积网路 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 感知机模型 | 第18-19页 |
| 2.3 人工神经网络 | 第19-20页 |
| 2.4 卷积网络模型 | 第20-23页 |
| 2.4.1 卷积层 | 第21-22页 |
| 2.4.2 池化采样层 | 第22页 |
| 2.4.3 全相连层 | 第22-23页 |
| 2.4.4 BN层 | 第23页 |
| 2.5 损失函数 | 第23-24页 |
| 2.5.1 SVMLoss | 第23-24页 |
| 2.5.2 SoftmaxLoss | 第24页 |
| 2.6 梯度下降与反向传播算法 | 第24-27页 |
| 2.6.1 梯度下降算法 | 第24-26页 |
| 2.6.2 参数更新方式 | 第26-27页 |
| 2.6.3 反向传播算法 | 第27页 |
| 2.7 过拟合与正则化 | 第27-30页 |
| 2.7.1 过拟合 | 第27-28页 |
| 2.7.2 正则化 | 第28-29页 |
| 2.7.3 Dropout | 第29-30页 |
| 第3章 集成卷积网络的设计与实现 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 子网络模型 | 第30-35页 |
| 3.2.1 子网络数目的估计 | 第30-31页 |
| 3.2.2 子网络模型结构设计 | 第31-33页 |
| 3.2.3 激活函数的选择 | 第33-35页 |
| 3.3 整体网络结构 | 第35页 |
| 3.4 模型实现方式 | 第35-38页 |
| 3.4.1 深度学习库的比较选择 | 第36-37页 |
| 3.4.2 实验环境 | 第37-38页 |
| 第4章 训练和结果 | 第38-52页 |
| 4.1 数据集的选择 | 第38-40页 |
| 4.1.1 FER-2013数据集 | 第39-40页 |
| 4.2 数据增强和预处理方式 | 第40-42页 |
| 4.2.1 数据增强 | 第40页 |
| 4.2.2 数据预处理 | 第40-41页 |
| 4.2.3 归一化 | 第41页 |
| 4.2.4 主成分分析与数据白化 | 第41-42页 |
| 4.3 子网络模型训练 | 第42-46页 |
| 4.3.1 模型参数初始化 | 第42页 |
| 4.3.2 训练参数设置 | 第42-46页 |
| 4.4 集成模型训练结果 | 第46-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
