| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要研究内容及章节安排 | 第12-14页 |
| 1.3.1 本文主要内容 | 第12页 |
| 1.3.2 本文章节安排 | 第12-14页 |
| 第二章 深度学习基本理论 | 第14-23页 |
| 2.1 神经网络基础 | 第14-20页 |
| 2.1.1 神经元和隐藏层 | 第14-15页 |
| 2.1.2 神经元的激活函数 | 第15-18页 |
| 2.1.3 损失函数 | 第18-19页 |
| 2.1.4 前向和反向传播 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-22页 |
| 2.2.1 卷积和池化 | 第20-21页 |
| 2.2.2 局部连接和权值共享 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 人脸检测方法 | 第23-40页 |
| 3.1 人脸检测常用方法介绍 | 第23-24页 |
| 3.2 基于Adaboost算法的人脸检测 | 第24-32页 |
| 3.2.1 Haar-like特征 | 第24-26页 |
| 3.2.2 积分图 | 第26-28页 |
| 3.2.3 生成弱分类器 | 第28-29页 |
| 3.2.4 训练强分类器 | 第29-30页 |
| 3.2.5 级联的强分类器 | 第30-32页 |
| 3.3 基于深度学习的人脸检测 | 第32-39页 |
| 3.3.1 卷积的滑动窗口实现 | 第33-34页 |
| 3.3.2 边界框回归预测 | 第34-35页 |
| 3.3.3 交并比 | 第35页 |
| 3.3.4 非极大值抑制 | 第35-36页 |
| 3.3.5 基于MTCNN的人脸检测 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于卷积神经网络的人脸表情识别 | 第40-55页 |
| 4.1 人脸表情识别相关研究概况 | 第40-41页 |
| 4.2 常见的卷积神经网络结构 | 第41-46页 |
| 4.2.1 AlexNet | 第41-43页 |
| 4.2.2 CaffeNet | 第43-44页 |
| 4.2.3 Xception | 第44-46页 |
| 4.3 构建用于人脸表情识别的卷积神经网络 | 第46-54页 |
| 4.3.1 卷积层 | 第47-48页 |
| 4.3.2 池化层 | 第48-49页 |
| 4.3.3 Dropout层 | 第49-50页 |
| 4.3.4 BatchNormalization层 | 第50-51页 |
| 4.3.5 Softmax分类器 | 第51-53页 |
| 4.3.6 参数优化 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 人群情感分析方法 | 第55-60页 |
| 5.1 人群情感分析基本概念 | 第55-56页 |
| 5.2 基于直接平均法的人群情感估测 | 第56-57页 |
| 5.3 基于加权平均法的人群情感估测 | 第57-58页 |
| 5.4 基于神经网络自动加权的人群情感估测 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 实验与结果分析 | 第60-73页 |
| 6.1 实验环境 | 第60-65页 |
| 6.1.1 实验平台与工具介绍 | 第60-61页 |
| 6.1.2 实验数据库介绍 | 第61-65页 |
| 6.2 实验结果与分析 | 第65-72页 |
| 6.2.1 基于构建网络的人脸高兴程度识别的实验结果分析 | 第65-69页 |
| 6.2.2 基于MTCNN的人群高兴程度估测实验结果分析 | 第69-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 本文总结 | 第73页 |
| 7.2 本文展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 附录1 攻读硕士学位期间申请的专利 | 第78-79页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第79-80页 |
| 致谢 | 第80页 |
