| 摘要 | 第1-7页 |
| ABSTRACT（英文摘要） | 第7-13页 |
| 主要符号对照表 | 第13-14页 |
| 第一章 绪论 | 第14-26页 |
| ·研究背景 | 第14-15页 |
| ·最小最大模块化网络的概述 | 第15-19页 |
| ·最小最大模块化网络的起源 | 第15-16页 |
| ·最小最大模块化网络的研究概况 | 第16-18页 |
| ·最小最大模块化网络的应用概况 | 第18-19页 |
| ·人脸性别分类和年龄估计的概述 | 第19-22页 |
| ·人脸性别分类的研究现状和问题 | 第19-20页 |
| ·人脸年龄估计的研究现状和问题 | 第20-21页 |
| ·人脸数据库介绍 | 第21-22页 |
| ·问题的提出 | 第22-24页 |
| ·大规模并列学习问题 | 第23页 |
| ·先验知识的利用问题 | 第23页 |
| ·网络扩展问题 | 第23-24页 |
| ·网络冗余问题 | 第24页 |
| ·论文安排 | 第24-26页 |
| 第二章 最小最大模块化网络 | 第26-52页 |
| ·引言 | 第26页 |
| ·任务分解 | 第26-28页 |
| ·K类问题的任务分解 | 第26-27页 |
| ·二类问题的任务分解 | 第27页 |
| ·更细的二类问题的任务分解 | 第27-28页 |
| ·最小最大模块化网络 | 第28-32页 |
| ·三种整合单元 | 第29页 |
| ·模块组合原理 | 第29-32页 |
| ·最小最大模块化网络 | 第32页 |
| ·最小最大模块化网络的种类 | 第32-39页 |
| ·线性最小最大模块化网络 | 第33-35页 |
| ·最小最大模块化多层感知机 | 第35-36页 |
| ·最小最大模块化支持向量机 | 第36-39页 |
| ·最小最大模块化网络的相关研究 | 第39-49页 |
| ·最小最大模块化网络的并行性 | 第39-40页 |
| ·最小最大模块化网络的任务分解方法 | 第40-44页 |
| ·最小最大模块化网络的扩展性 | 第44-49页 |
| ·最小最大模块化网络的冗余性 | 第49页 |
| ·本章小节 | 第49-52页 |
| 第三章 线性最小最大模块化网络的去冗余 | 第52-68页 |
| ·引言 | 第52页 |
| ·线性M~3网络的冗余问题 | 第52-56页 |
| ·网络描述 | 第52-54页 |
| ·M~3 网络的冗余问题 | 第54-56页 |
| ·线性M~3网络的冗余模块修剪方法 | 第56-58页 |
| ·术语定义 | 第56-57页 |
| ·反向搜索修剪算法 | 第57页 |
| ·反向搜索修剪算法的理论分析 | 第57-58页 |
| ·示例 | 第58页 |
| ·实验与分析 | 第58-62页 |
| ·双螺旋实验 | 第59-60页 |
| ·Iris Plants 数据 | 第60-61页 |
| ·Image Segmentation数据 | 第61-62页 |
| ·手写体识别数据(optdigits) | 第62页 |
| ·工业图像的故障检测 | 第62-64页 |
| ·BS算法的数学问题的思考 | 第64-66页 |
| ·本章小节 | 第66-68页 |
| 第四章 人脸图像的特征提取 | 第68-91页 |
| ·引言 | 第68-69页 |
| ·相关的特征提取方法 | 第69-70页 |
| ·人脸图像预处理 | 第70-73页 |
| ·图像灰度化 | 第70-71页 |
| ·自动人脸检测和眼睛定位 | 第71-73页 |
| ·几何归一化 | 第73页 |
| ·直方图均衡化 | 第73页 |
| ·基于灰度的特征提取 | 第73-74页 |
| ·基于Gabor的特征提取 | 第74页 |
| ·基于局部二进制模式的特征提取方法 | 第74-77页 |
| ·基于LBP特征提取方法的多角度人脸性别分类 | 第77-79页 |
| ·基于多分辨的局部二进制模式的特征提取方法 | 第79-80页 |
| ·基于多分辨LBP特征提取方法的多角度人脸性别分类 | 第80-81页 |
| ·实验与分析 | 第81-89页 |
| ·LBP与灰度特征提取方法的比较 | 第82-85页 |
| ·多分辨LBP与其它特征提取方法的比较 | 第85-87页 |
| ·其他方面的比较 | 第87-89页 |
| ·本章小节 | 第89-91页 |
| 第五章 基于最小最大模块化网络的人脸性别分类 | 第91-119页 |
| ·引言 | 第91-92页 |
| ·特征提取 | 第92-94页 |
| ·灰度像素特征提取方法 | 第93页 |
| ·Gabor特征提取方法 | 第93页 |
| ·LBP特征提取方法 | 第93页 |
| ·多分辨LBP特征提取方法 | 第93-94页 |
| ·最小最大模块化网络 | 第94-95页 |
| ·先验知识融入问题 | 第95-98页 |
| ·免费午餐定理 | 第95-96页 |
| ·将先验知识融入到任务分解中 | 第96-97页 |
| ·示例：多角度的性别分类 | 第97-98页 |
| ·分类系统的网络扩展性 | 第98-101页 |
| ·实验设置 | 第101-108页 |
| ·数据库 | 第102-103页 |
| ·特征提取的参数设置 | 第103-104页 |
| ·模式分类方法 | 第104页 |
| ·先验知识与非先验知识 | 第104-105页 |
| ·扩展性与非扩展性 | 第105-108页 |
| ·实验结果比较 | 第108-115页 |
| ·在MLP上的比较 | 第108-109页 |
| ·在SVM上的比较 | 第109-111页 |
| ·运行时间上的比较 | 第111页 |
| ·网络扩展上的比较 | 第111-115页 |
| ·不同任务分解策略的比较 | 第115页 |
| ·演示系统 | 第115-116页 |
| ·本章小节 | 第116-119页 |
| 第六章 基于最小最大模块化网络的人脸年龄估计 | 第119-134页 |
| ·引言 | 第119-120页 |
| ·特征提取 | 第120-121页 |
| ·多类分类问题 | 第121页 |
| ·最小最大模块化网络 | 第121-122页 |
| ·基于先验知识的分解方法 | 第122-123页 |
| ·实验设置 | 第123-126页 |
| ·数据库 | 第123-125页 |
| ·特征提取的参数设置 | 第125-126页 |
| ·模式分类方法 | 第126页 |
| ·实验结果比较 | 第126-131页 |
| ·在分类精度上的比较 | 第126-128页 |
| ·在查准率、查全率和F-measures上的比较 | 第128-129页 |
| ·运行时间上的比较 | 第129-131页 |
| ·演示系统 | 第131页 |
| ·本章小节 | 第131-134页 |
| 第七章 结束语 | 第134-146页 |
| ·本文的主要贡献 | 第134-135页 |
| ·后续工作 | 第135-146页 |
| ·在最小最大模块化网络模型的下一步工作 | 第135页 |
| ·在性别分类和年龄估计的下一步工作 | 第135-146页 |
| 致谢 | 第146-147页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第147-148页 |