摘要 | 第4-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-19页 |
1.1 人脸表情识别的研究目的和意义 | 第10-11页 |
1.2 深度学习研究现状 | 第11-12页 |
1.3 人脸表情识别的研究现状 | 第12-17页 |
1.3.1 表情识别方法概述 | 第12页 |
1.3.2 图像预处理 | 第12-13页 |
1.3.3 特征提取方法研究 | 第13-15页 |
1.3.4 分类器的设计 | 第15-16页 |
1.3.5 表情数据库 | 第16-17页 |
1.4 本文研究的内容 | 第17-18页 |
1.5 全文章节安排 | 第18-19页 |
第二章 稀疏自编码网络原理及其研究 | 第19-32页 |
2.1 引言 | 第19页 |
2.2 稀疏自编码器 | 第19-24页 |
2.2.1 神经网络 | 第19-22页 |
2.2.2 BP算法简述 | 第22页 |
2.2.3 自编码器 | 第22-23页 |
2.2.4 稀疏自编码器 | 第23-24页 |
2.3 稀疏自编码器的研究 | 第24-31页 |
2.3.1 隐藏层神经单元数量对特征提取的影响 | 第24-25页 |
2.3.2 神经元数量对人脸识别的影响 | 第25-28页 |
2.3.3 网络层数对识别的影响 | 第28-29页 |
2.3.4 迭代参数对网络的影响 | 第29-30页 |
2.3.5 研究总结 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第三章 基于稀疏自编码器的人脸表情识别 | 第32-42页 |
3.1 引言 | 第32页 |
3.2 图像预处理 | 第32-33页 |
3.3 稀疏自编码网络用于表情识别 | 第33-35页 |
3.4 实验结果与分析 | 第35-41页 |
3.4.1 表情识别实验 | 第35-38页 |
3.4.2 表情特征可视化 | 第38-40页 |
3.4.3 自动提取表情特征与人工特征比较 | 第40-41页 |
3.5 本章小结 | 第41-42页 |
第四章 基于剪枝极限学习机的人脸表情识别 | 第42-52页 |
4.1 引言 | 第42页 |
4.2 极限学习机理论 | 第42-44页 |
4.3 剪枝的极限学习机 | 第44-46页 |
4.3.1 信息增益的计算 | 第44页 |
4.3.2 隐层单元的确定 | 第44-46页 |
4.3.3 网络参数的确定 | 第46页 |
4.4 表情实验结果与分析 | 第46-50页 |
4.4.1 本文方法与P-ELM方法的比较 | 第46-47页 |
4.4.2 本文方法与深度学习、神经网络方法的比较 | 第47-50页 |
4.5 本章小结 | 第50-52页 |
总结与展望 | 第52-54页 |
参考文献 | 第54-59页 |
读硕期间发表的论文和参与的项目 | 第59-60页 |
致谢 | 第60页 |