基于深度学习的人脸表情识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人脸表情识别技术研究与应用现状 | 第11-13页 |
| 1.3 相关技术与方法综述 | 第13-17页 |
| 1.3.1 表情图像预处理 | 第13页 |
| 1.3.2 表情特征提取 | 第13-15页 |
| 1.3.3 表情分类 | 第15-17页 |
| 1.4 课题的研究内容 | 第17页 |
| 1.5 论文组织结构 | 第17页 |
| 1.6 本章小结 | 第17-19页 |
| 第2章 深度学习和卷积神经网络 | 第19-31页 |
| 2.1 深度学习 | 第19-22页 |
| 2.1.1 深度学习概述 | 第19-20页 |
| 2.1.2 深度学习的基本思想 | 第20页 |
| 2.1.3 深度学习的常用方法 | 第20-22页 |
| 2.2 多层前馈网络 | 第22-26页 |
| 2.2.1 感知器单元 | 第22-23页 |
| 2.2.2 多层前馈网络 | 第23-24页 |
| 2.2.3 反向传导算法 | 第24-26页 |
| 2.3 卷积神经网络的基本原理 | 第26-29页 |
| 2.3.1 卷积神经网络的网络结构 | 第26-27页 |
| 2.3.2 稀疏连接与权值共享 | 第27页 |
| 2.3.3 卷积网络的训练过程 | 第27-29页 |
| 2.4 深度学习的应用 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 人脸表情识别的深度连续卷积神经网络模型 | 第31-41页 |
| 3.1 深度连续卷积神经网络构建 | 第31-33页 |
| 3.1.1 卷积神经网络的一般结构 | 第31-33页 |
| 3.1.2 连续卷积的网络结构 | 第33页 |
| 3.2 结构分析及参数优化 | 第33-36页 |
| 3.2.1 连续卷积结构分析 | 第33-34页 |
| 3.2.2 卷积核大小的选择 | 第34页 |
| 3.2.3 池化 | 第34-35页 |
| 3.2.4 激活函数 | 第35页 |
| 3.2.5 Dropout | 第35-36页 |
| 3.3 实验与结果分析 | 第36-40页 |
| 3.3.1 实验设置 | 第36-38页 |
| 3.3.2 对比实验 | 第38页 |
| 3.3.3 分析与比较 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 人脸表情识别系统的设计 | 第41-51页 |
| 4.1 软件设计方案 | 第41-44页 |
| 4.1.1 功能描述 | 第41-42页 |
| 4.1.2 系统开发环境 | 第42-44页 |
| 4.2 主要功能的详细设计 | 第44-50页 |
| 4.2.1 人脸表情图像预处理 | 第44-46页 |
| 4.2.2 人脸表情样本训练与人脸表情识别 | 第46-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 深度连续卷积神经网络模型的其它应用实验 | 第51-56页 |
| 5.1 手写数字识别 | 第51-54页 |
| 5.1.1 MNIST手写数字数据集 | 第51-52页 |
| 5.1.2 网络模型和参数设置 | 第52-53页 |
| 5.1.3 实验结果与分析 | 第53-54页 |
| 5.2 复杂彩色图像分类 | 第54-55页 |
| 5.2.1 CIFAR-10数据集 | 第54-55页 |
| 5.2.2 网络模型和参数设置 | 第55页 |
| 5.2.3 实验结果与分析 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 在学研究成果 | 第62-63页 |
| 致谢 | 第63页 |
