| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 卷积神经网络的研究背景 | 第8-9页 |
| 1.1.2 人脸表情的研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于传统的机器学习方法 | 第10-12页 |
| 1.2.2 基于深度学习的方法 | 第12页 |
| 1.3 本文主要工作 | 第12-14页 |
| 第二章 卷积神经网络 | 第14-30页 |
| 2.1 神经网络模型 | 第14-20页 |
| 2.1.1 神经元结构 | 第14-15页 |
| 2.1.2 前馈神经网路 | 第15-16页 |
| 2.1.3 反向传播算法 | 第16-19页 |
| 2.1.4 Dropout | 第19-20页 |
| 2.2 典型卷积神经网络 | 第20-24页 |
| 2.2.1 CNN网络结构 | 第20-22页 |
| 2.2.2 局部感受野 | 第22-23页 |
| 2.2.3 参数共享 | 第23-24页 |
| 2.3 CNN的发展 | 第24-29页 |
| 2.3.1 AlexNet | 第24-25页 |
| 2.3.2 VGGNet | 第25-26页 |
| 2.3.3 GoogleNet和inception | 第26-27页 |
| 2.3.4 残差卷积神经网络 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 训练和优化 | 第30-45页 |
| 3.1 数据集的选择 | 第30-32页 |
| 3.1.1 人脸表情识别数据集 | 第31-32页 |
| 3.1.2 数据增强 | 第32页 |
| 3.2 数据预处理 | 第32-36页 |
| 3.2.1 去均值 | 第32-33页 |
| 3.2.2 Z-Score规范化 | 第33页 |
| 3.2.3 白化 | 第33-34页 |
| 3.2.4 BatchNormalization | 第34-36页 |
| 3.3 深度学习的优化算法研究 | 第36-42页 |
| 3.3.1 梯度下降及其变种 | 第36-38页 |
| 3.3.2 Momentum | 第38-39页 |
| 3.3.3 Nesterov | 第39-40页 |
| 3.3.4 Adagrad | 第40页 |
| 3.3.5 RMSPorp | 第40-41页 |
| 3.3.6 Adam | 第41-42页 |
| 3.4 损失函数的研究 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 模型的设计和与分析 | 第45-56页 |
| 4.1 总框架的设计 | 第45-48页 |
| 4.1.1 损失函数的设计 | 第47-48页 |
| 4.2 CNN的结构 | 第48-51页 |
| 4.3 实验结果与分析 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 研究工作总结 | 第56-57页 |
| 5.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |