社交网络中的人脸年龄识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人脸年龄识别 | 第11-12页 |
| 1.2.2 深度学习模型压缩与加速 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 第二章 人脸年龄识别 | 第15-24页 |
| 2.1 传统解决方案 | 第15-21页 |
| 2.1.1 特征设计 | 第15-20页 |
| 2.1.2 年龄识别 | 第20-21页 |
| 2.2 深度学习解决方案 | 第21-23页 |
| 2.3 章节总结 | 第23-24页 |
| 第三章 深度学习模型的压缩与加速 | 第24-32页 |
| 3.1 深度学习模型的演变 | 第24-25页 |
| 3.2 模型压缩与模型加速 | 第25-31页 |
| 3.2.1 网络结构上的改进 | 第25-28页 |
| 3.2.2 蒸馏法 | 第28-29页 |
| 3.2.3 剪枝 | 第29页 |
| 3.2.4 共享权重和哈希映射 | 第29-30页 |
| 3.2.5 矩阵运算加速 | 第30页 |
| 3.2.6 其他运算加速 | 第30-31页 |
| 3.3 章节总结 | 第31-32页 |
| 第四章 基于Res-MobileNet的年龄识别 | 第32-50页 |
| 4.1 数据集 | 第32-33页 |
| 4.2 Res-MobileNet的网络结构 | 第33-36页 |
| 4.2.1 MobileNet的结构与性能 | 第33-34页 |
| 4.2.2 MobileNet的改进 | 第34-36页 |
| 4.3 对框架的工程优化 | 第36-41页 |
| 4.3.1 框架的编译与安装 | 第36-38页 |
| 4.3.2 CUDA介绍 | 第38-39页 |
| 4.3.3 对Caffe的工程优化 | 第39-41页 |
| 4.4 模型训练 | 第41-46页 |
| 4.4.1 初始化方式的选择 | 第41-42页 |
| 4.4.2 梯度优化方式的选择 | 第42-43页 |
| 4.4.3 数据增强的工程实现 | 第43-44页 |
| 4.4.4 批规范化层的使用 | 第44-45页 |
| 4.4.5 激活函数的选择 | 第45-46页 |
| 4.5 实验准备与结果分析 | 第46-49页 |
| 4.5.1 模型预训练 | 第46页 |
| 4.5.2 模型微调 | 第46-47页 |
| 4.5.3 实验结果分析 | 第47-49页 |
| 4.6 章节总结 | 第49-50页 |
| 第五章 更加灵活的模型压缩 | 第50-56页 |
| 5.1 量化的原理 | 第50-52页 |
| 5.2 量化的实现 | 第52-53页 |
| 5.3 实验和结果分析 | 第53-55页 |
| 5.4 章节总结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 论文工作总结 | 第56页 |
| 6.2 进一步的研究工作 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
