首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度卷积神经网络的人脸表情识别方法

摘要第5-7页
ABSTRACT第7-8页
符号对照表第11-12页
缩略语对照表第12-16页
第一章 绪论第16-28页
    1.1 引言第16页
    1.2 表情识别与深度学习的研究意义第16-18页
        1.2.1 表情识别的研究意义第16-17页
        1.2.2 深度学习的研究意义第17-18页
    1.3 人脸表情识别的发展第18-20页
    1.4 深度学习的发展第20-26页
        1.4.1 深度学习理论的发展第20-21页
        1.4.2 深度学习各模型的发展第21-26页
    1.5 本章小结第26-28页
第二章 相关理论知识概述第28-40页
    2.1 深度卷积神经网络的建模第28-36页
        2.1.1 深度卷积神经网路的模型第28-30页
        2.1.2 深度卷积神经网络的前向计算第30-32页
        2.1.3 深度卷积神经网络的反馈计算第32-34页
        2.1.4 深度卷积神经网络的激活函数第34-35页
        2.1.5 深度卷积神经网络的正则化方法第35-36页
    2.2 人脸表情数据库第36-39页
        2.2.1 表情数据库的介绍第36-37页
        2.2.2 表情数据库的扩展第37-39页
    2.3 本章小结第39-40页
第三章 一种融合LBP特征与深度卷积神经网络特征的人脸表情识别方法第40-52页
    3.1 引言第40页
    3.2 人脸表情区域第40-42页
        3.2.1 人脸区域的检测与定位第40-42页
        3.2.2 人脸表情敏感区域的分割第42页
    3.3 局部二进制表情特征第42-46页
        3.3.1 局部二进制表情特征原理第42-44页
        3.3.2 改进的局部二进制表情特征第44-46页
    3.4 表情识别中的LBP-DCNN网络建模第46-48页
        3.4.1 LBP-DCNN表情识别模型结构第46-47页
        3.4.2 LBP-DCNN表情识别模型参数设计第47-48页
    3.5 实验结果与分析第48-49页
        3.5.1 实验计算环境第48页
        3.5.2 实验结果对比第48-49页
    3.6 结论第49-50页
    3.7 本章小结第50-52页
第四章 一种基于辅任务估计深度卷积神经网络的人脸表情识别方法第52-60页
    4.1 引言第52页
    4.2 人脸表情识别中的辅任务估计第52页
    4.3 辅任务深度卷积神经网络第52-55页
        4.3.1 辅任务深度卷积神经网络模型的结构第52-53页
        4.3.2 辅任务估计深度卷积神经网络模型的训练第53-55页
    4.4 实验结果与分析第55-58页
        4.4.1 实验参数设置第55-56页
        4.4.2 实验计算环境第56页
        4.4.3 实验结果对比第56-58页
    4.5 结论第58页
    4.6 本章小结第58-60页
第五章 一种基于多尺度变换的深度卷积神经网络人脸表情识别方法第60-68页
    5.1 引言第60页
    5.2 深度卷积神经网络中的多尺度小波变换第60-61页
    5.3 深度卷积小波神经网络的建模第61-64页
        5.3.1 深度卷积小波神经网络的结构第61-62页
        5.3.2 深度卷积小波神经网络的训练第62-64页
        5.3.3 深度卷积小波神经网络的参数设计第64页
    5.4 实验结果与分析第64-67页
        5.4.1 实验参数设置第64-65页
        5.4.2 实验计算环境第65页
        5.4.3 实验结果对比第65-67页
    5.5 结论第67页
    5.6 本章小结第67-68页
第六章 总结与展望第68-70页
    6.1 全文总结第68页
    6.2 工作展望第68-70页
参考文献第70-76页
致谢第76-78页
作者简介第78-79页

论文共79页,点击 下载论文
上一篇:互联网企业轻资产运营模式下的财务风险分析--以乐视网为例
下一篇:渝北临空经济区产业升级背景下的用地优化规划研究