| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究状况 | 第11-12页 |
| 1.3 本文主要研究工作 | 第12-13页 |
| 1.4 本文内容安排 | 第13-14页 |
| 第二章 弱监督与深度算法概述 | 第14-33页 |
| 2.1 弱监督和多标号 | 第14-20页 |
| 2.1.1 多标号问题定义 | 第15-16页 |
| 2.1.2 评价标准 | 第16-18页 |
| 2.1.3 常见算法 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 结构 | 第22-25页 |
| 2.2.2 训练学习 | 第25-26页 |
| 2.2.3 理解CNN | 第26页 |
| 2.2.4 CNN在计算机视觉应用 | 第26-27页 |
| 2.3 递归神经网络 | 第27-31页 |
| 2.3.1 Vanilla递归神经网络 | 第27-29页 |
| 2.3.2 LongShort-TermMemoryUnit | 第29-30页 |
| 2.3.3 GatedRecurrentUnit | 第30-31页 |
| 2.3.4 RNN在计算机视觉中应用 | 第31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于注意力机制的弱监督多标号图像分类 | 第33-48页 |
| 3.1 介绍 | 第33-35页 |
| 3.2 注意力 | 第35-38页 |
| 3.2.1 软注意力机制 | 第35-36页 |
| 3.2.2 其他变体 | 第36-37页 |
| 3.2.3 应用 | 第37-38页 |
| 3.3 深度排序多标号图像分类 | 第38-41页 |
| 3.3.1 多标号排序损失 | 第38-39页 |
| 3.3.2 传统分类器 | 第39页 |
| 3.3.3 实验结果与分析 | 第39-41页 |
| 3.4 注意力机制的弱监督多标号图像分类 | 第41-46页 |
| 3.4.1 模型框架 | 第41-43页 |
| 3.4.2 数据集与实现 | 第43-44页 |
| 3.4.3 实验结果与分析 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于类别不平衡的多任务人脸属性识别 | 第48-60页 |
| 4.1 介绍 | 第48-49页 |
| 4.2 背景 | 第49-51页 |
| 4.2.1 多任务学习 | 第49页 |
| 4.2.2 属性学习 | 第49-51页 |
| 4.3 类别不平衡的多任务人脸属性识别 | 第51-58页 |
| 4.3.1 网络框架 | 第51-53页 |
| 4.3.2 属性分组 | 第53-54页 |
| 4.3.3 损失及评价 | 第54-55页 |
| 4.3.4 数据集与实现 | 第55-56页 |
| 4.3.5 实验结果与分析 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |