| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的背景及意义 | 第9-10页 |
| 1.2 单模态情感识别研究现状 | 第10-12页 |
| 1.2.1 面部情感识别研究现状 | 第10-11页 |
| 1.2.2 语音情感识别研究现状 | 第11-12页 |
| 1.3 双模态情感识别研究现状 | 第12-13页 |
| 1.4 主要研究内容及章节安排 | 第13-15页 |
| 1.4.1 主要工作 | 第13-14页 |
| 1.4.2 章节安排 | 第14-15页 |
| 第二章 深度学习相关知识 | 第15-27页 |
| 2.1 深度学习的发展历程 | 第15-16页 |
| 2.2 深度学习基本理论 | 第16-19页 |
| 2.3 常用神经网络 | 第19-24页 |
| 2.3.1 卷积神经网络 | 第19-21页 |
| 2.3.2 循环神经网络 | 第21-24页 |
| 2.4 深度学习的常用框架 | 第24-26页 |
| 2.4.1 Caffe | 第24-25页 |
| 2.4.2 TensorFlow | 第25页 |
| 2.4.3 Keras | 第25-26页 |
| 2.4.4 MXNet | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于深度学习的面部表情识别 | 第27-36页 |
| 3.1 基于改进AlexNet的面部表情识别 | 第27-31页 |
| 3.2 基于VGG-Face模型微调的面部表情识别 | 第31-33页 |
| 3.3 基于卷积神经网络和循环神经网络的面部表情识别 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习的语音情感识别 | 第36-42页 |
| 4.1 基于卷积神经网络的语音情感识别 | 第36-38页 |
| 4.2 基于双向长短时间记忆网络的语音情感识别 | 第38-40页 |
| 4.3 基于LSTM和CNN的语音情感识别 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 双模态情感识别 | 第42-51页 |
| 5.1 支持向量机理论 | 第42-47页 |
| 5.1.1 二分类支持向量机 | 第42-46页 |
| 5.1.2 多分类支持向量机 | 第46-47页 |
| 5.2 基于特征融合的双模态情感识别 | 第47-49页 |
| 5.2.1 基于KCCA的特征融合 | 第47-48页 |
| 5.2.2 基于KMF的特征融合 | 第48-49页 |
| 5.2.3 基于KCFA的特征融合 | 第49页 |
| 5.3 基于决策融合的双模态情感识别 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 仿真实验结果及分析 | 第51-59页 |
| 6.1 实验数据库介绍 | 第51-53页 |
| 6.1.1 FER2013数据库 | 第51-52页 |
| 6.1.2 eNTERFACE'05数据库 | 第52页 |
| 6.1.3 RML数据库 | 第52页 |
| 6.1.4 AFEW6.0数据库 | 第52-53页 |
| 6.2 实验平台介绍 | 第53页 |
| 6.3 实验结果及分析 | 第53-58页 |
| 6.3.1 面部表情识别 | 第54-55页 |
| 6.3.2 语音情感识别 | 第55-57页 |
| 6.3.3 双模态情感识别 | 第57-58页 |
| 6.4 本章小结 | 第58-59页 |
| 第七章 总结与展望 | 第59-61页 |
| 7.1 总结 | 第59-60页 |
| 7.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |