| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的背景及研究意义 | 第10-11页 |
| 1.2 课题研究背景与现状 | 第11-15页 |
| 1.2.1 人脸表情识别 | 第12-14页 |
| 1.2.2 多特征融合表情识别 | 第14-15页 |
| 1.3 深度学习 | 第15-16页 |
| 1.4 论文的主要研究内容与安排 | 第16-18页 |
| 第2章 多特征表情数据集的建立 | 第18-26页 |
| 2.1 常用表情数据库简介 | 第18-19页 |
| 2.2 建立人脸-姿态表情数据库 | 第19-23页 |
| 2.2.1 深度学习与数据量的关系 | 第19-20页 |
| 2.2.2 建立表情数据库的主要工作 | 第20-23页 |
| 2.3 表情数据库数据增强 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于卷积神经网络的静态表情识别 | 第26-48页 |
| 3.1 卷积神经网络 | 第26-33页 |
| 3.1.1 卷积神经网络结构 | 第26-30页 |
| 3.1.2 卷积神经网络的训练 | 第30-32页 |
| 3.1.3 卷积神经网络的发展 | 第32-33页 |
| 3.2 基于SE-Googlenet的静态表情识别 | 第33-40页 |
| 3.2.1 数据预处理 | 第33-34页 |
| 3.2.2 SE-Googlenet网络结构 | 第34-37页 |
| 3.2.3 对比实验网络结构 | 第37-40页 |
| 3.3 实验过程 | 第40-45页 |
| 3.3.1 实验环境搭建 | 第40-42页 |
| 3.3.2 数据增强对网络训练的影响 | 第42-43页 |
| 3.3.3 光流图的选取 | 第43-44页 |
| 3.3.4 不同学习策略及网络结构的对比 | 第44页 |
| 3.3.5 不同类型输入对静态表情识别的影响 | 第44-45页 |
| 3.4 结果分析 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于长短记忆网络的视频序列表情识别 | 第48-62页 |
| 4.1 基于静态图像表情识别的不足 | 第48-49页 |
| 4.2 长短记忆网络 | 第49-53页 |
| 4.2.1 循环神经网络 | 第49-50页 |
| 4.2.2 循环神经算法的弊端 | 第50页 |
| 4.2.3 长短记忆网络基本原理 | 第50-52页 |
| 4.2.4 长短记忆网络的应用 | 第52-53页 |
| 4.3 基于迁移学习的长短记忆网络表情识别 | 第53-55页 |
| 4.3.1 迁移学习 | 第53-54页 |
| 4.3.2 基于长短记忆网络的表情识别模型 | 第54-55页 |
| 4.4 实验过程与结果分析 | 第55-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 基于深度学习的多特征融合表情识别 | 第62-72页 |
| 5.1 数据融合技术 | 第62-63页 |
| 5.1.1 数据融合的定义 | 第62页 |
| 5.1.2 数据融合的分类 | 第62-63页 |
| 5.1.3 数据融合的优势 | 第63页 |
| 5.2 基于数据融合的深度学习网络结构 | 第63-64页 |
| 5.3 基于深度学习的多特征融合表情识别 | 第64-70页 |
| 5.3.1 TSLCN网络结构 | 第64-66页 |
| 5.3.2 对比试验结构 | 第66-68页 |
| 5.3.3 实验结果分析 | 第68-70页 |
| 5.4 讨论与未来工作 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第80-82页 |
| 致谢 | 第82页 |