基于深度学习的人脸年龄估计算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 专用术语注释表 | 第10-11页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 传统浅层特征提取方法 | 第12-15页 |
| 1.2.2 基于深度学习的特征提取方法 | 第15-16页 |
| 1.2.3 年龄估计方法 | 第16-18页 |
| 1.3 年龄数据库及评价指标 | 第18-22页 |
| 1.3.1 人脸图像年龄数据库 | 第18-21页 |
| 1.3.2 算法评价指标 | 第21-22页 |
| 1.4 研究内容 | 第22-23页 |
| 1.5 论文结构 | 第23-25页 |
| 第二章 深度神经网络研究概况 | 第25-43页 |
| 2.1 深度学习初探 | 第25-29页 |
| 2.1.1 发展历程 | 第26-28页 |
| 2.1.2 深度学习特点 | 第28-29页 |
| 2.2 深度置信网络 | 第29-33页 |
| 2.2.1 限制玻尔兹曼机 | 第29-31页 |
| 2.2.2 深度置信网络训练方法 | 第31-33页 |
| 2.3 卷积神经网络 | 第33-38页 |
| 2.3.1 CNN网络结构 | 第33-37页 |
| 2.3.2 网络训练 | 第37-38页 |
| 2.4 年龄估计实验 | 第38-42页 |
| 2.4.1 基于深度置信网络的年龄估计 | 第39-40页 |
| 2.4.2 基于卷积神经网络的的年龄估计 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 基于深度融合网络的人脸年龄估计 | 第43-55页 |
| 3.1 图像预处理 | 第43-44页 |
| 3.2 卷积神经网络特征提取 | 第44-49页 |
| 3.2.1 卷积神经网络模型 | 第45-46页 |
| 3.2.2 逐网络迭代训练策略 | 第46-47页 |
| 3.2.3 逐网络迭代训练实验分析 | 第47-49页 |
| 3.3 基于深度置信网络的特征融合与年龄估计 | 第49-52页 |
| 3.3.1 深度置信网络特征融合 | 第49-50页 |
| 3.3.2 不同子块图像融合实验与分析 | 第50-52页 |
| 3.3.3 不同融合方法年龄估计实验与分析 | 第52页 |
| 3.4 主流方法对比实验 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 总结与展望 | 第55-57页 |
| 4.1 全文总结 | 第55-56页 |
| 4.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间申请的专利 | 第61-62页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |
