基于集成卷积神经网络的人脸性别识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 人脸性别识别的研究背景与意义 | 第9页 |
| 1.2 人脸性别识别的研究概述 | 第9-11页 |
| 1.2.1 人脸性别识别的应用 | 第9-10页 |
| 1.2.2 人脸性别识别的研究现状 | 第10-11页 |
| 1.3 深度学习的发展历程 | 第11-12页 |
| 1.4 论文组织架构 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 卷积神经网络介绍 | 第13-24页 |
| 2.1 人工神经网络 | 第13-14页 |
| 2.2 卷积神经网络 | 第14-20页 |
| 2.2.1 卷积神经网络特点 | 第14-15页 |
| 2.2.2 卷积神经网络理论 | 第15-20页 |
| 2.3 卷积神经网络研究平台介绍 | 第20-23页 |
| 2.3.1 Caffe框架特点 | 第21页 |
| 2.3.2 Caffe核心结构 | 第21-22页 |
| 2.3.3 Caffe层次分类 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 人脸检测及预处理 | 第24-29页 |
| 3.1 人脸性别数据集介绍 | 第24-25页 |
| 3.1.1 Feret人脸数据集 | 第24页 |
| 3.1.2 Adience人脸数据集 | 第24-25页 |
| 3.1.3 AR人脸数据集 | 第25页 |
| 3.2 基于CNN的人脸检测 | 第25-26页 |
| 3.3 图像预处理 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于单个卷积神经网络的人脸性别识别 | 第29-39页 |
| 4.1 实验设计 | 第29页 |
| 4.2 卷积神经网络模型设计 | 第29-32页 |
| 4.3 影响因素实验 | 第32-38页 |
| 4.3.1 卷积神经网络卷积层数对比实验 | 第32-33页 |
| 4.3.2 Dropout参数影响因素实验 | 第33-37页 |
| 4.3.3 卷积神经网络分类器对比实验 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于集成卷积神经网络的人脸性别识别 | 第39-66页 |
| 5.1 集成学习算法介绍 | 第39-41页 |
| 5.2 选择性集成卷积神经网络算法设计 | 第41-49页 |
| 5.2.1 基本分类器算法设计 | 第43-47页 |
| 5.2.2 全部集成卷积神经网络算法设计 | 第47-48页 |
| 5.2.3 选择性集成卷积神经网络算法设计 | 第48-49页 |
| 5.3 实验结果分析 | 第49-65页 |
| 5.3.1 Feret数据集 | 第49-57页 |
| 5.3.2 Adience数据集 | 第57-65页 |
| 5.3.3 实验结果总结分析 | 第65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 人脸性别识别系统实现 | 第66-71页 |
| 6.1 开发框架设计 | 第66-67页 |
| 6.2 系统架构设计 | 第67-69页 |
| 6.3 系统展示 | 第69-70页 |
| 6.4 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 参考文献 | 第73-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
