| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 课题研究的背景与意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.2.1 人脸属性的任务目标发展 | 第16页 |
| 1.2.2 人脸属性识别方法变化 | 第16-17页 |
| 1.3 本文的工作与贡献 | 第17-19页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 主要贡献 | 第17-18页 |
| 1.3.3 论文的组织结构 | 第18-19页 |
| 第二章 卷积神经网络的相关技术介绍 | 第19-39页 |
| 2.1 卷积神经网络的基础操作和训练 | 第19-29页 |
| 2.1.1 卷积神经网络结构的基本组成 | 第19-26页 |
| 2.1.2 卷积神经网络常用激活函数 | 第26-27页 |
| 2.1.3 卷积神经网络常用的参数初始化方法 | 第27-28页 |
| 2.1.4 卷积神经网络的训练与优化 | 第28-29页 |
| 2.2 神经网络训练速度的提升 | 第29-32页 |
| 2.2.1 并行模式 | 第29-30页 |
| 2.2.2 参数更新方式 | 第30-31页 |
| 2.2.3 基于机器学习框架的多机多卡训练 | 第31-32页 |
| 2.3 神经网络前馈速度优化 | 第32-38页 |
| 2.3.1 卷积计算的优化方式 | 第33-37页 |
| 2.3.2 不同网络层的合并 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 人脸多属性属性识别的架构 | 第39-55页 |
| 3.1 人脸属性性质分析 | 第39-41页 |
| 3.1.1 人脸属性的类别 | 第39页 |
| 3.1.2 多属性标签表示形式 | 第39-40页 |
| 3.1.3 属性之间的相互联系 | 第40-41页 |
| 3.2 人脸属性数据库简介 | 第41-44页 |
| 3.3 基于传统特征的人脸属性识别 | 第44-45页 |
| 3.4 基于共享神经网络特征和最大间隔分类器的人脸属性识别 | 第45-46页 |
| 3.5 基于共享特征和子任务模块的端到端的人脸属性学习 | 第46-47页 |
| 3.6 使用SA-sfotmax进行模型稳定化输出 | 第47-49页 |
| 3.6.1 SA-softmax | 第47-48页 |
| 3.6.2 动态调整标签的训练方法 | 第48-49页 |
| 3.7 问题分析与实验设置 | 第49-53页 |
| 3.7.1 网络结构和训练环境 | 第49页 |
| 3.7.2 数据集并行训练的方式改进问题一 | 第49-51页 |
| 3.7.3 人脸矫正固定输入格式改进问题二 | 第51-52页 |
| 3.7.4 网络自评估模块改进问题三 | 第52-53页 |
| 3.8 实验结论与分析 | 第53-54页 |
| 3.9 本章小结 | 第54-55页 |
| 第四章 对抗生成网络在人脸属性中的应用 | 第55-67页 |
| 4.1 对抗生成网络相关技术的介绍 | 第55-56页 |
| 4.2 探究对抗神经网络的应用 | 第56-62页 |
| 4.2.1 使用对抗生成网络生成真实图像 | 第56-60页 |
| 4.2.2 使用对抗生成网络提高人脸分辨率 | 第60-62页 |
| 4.3 结合对抗生成超像素实现迁移学习 | 第62-63页 |
| 4.3.1 人脸属性的监督式学习困境 | 第62-63页 |
| 4.3.2 人脸属性的迁移学习猜想 | 第63页 |
| 4.3.3 基于人脸超分辨率的人脸属性迁移学习实验 | 第63页 |
| 4.4 实验结果分析与结论 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67页 |
| 5.2 未来展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
