| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 研究内容 | 第16-19页 |
| 第2章 极限学习机及相关改进算法概述 | 第19-31页 |
| 2.1 极限学习机 | 第19-22页 |
| 2.2 在线极限学习机 | 第22-24页 |
| 2.3 半监督极限学习机 | 第24-27页 |
| 2.4 半监督在线极限学习机 | 第27-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 极限学习机的多通道和多任务扩展 | 第31-53页 |
| 3.1 基于极限学习机的多源融合识别机制 | 第31-32页 |
| 3.2 多通道极限学习机 | 第32-36页 |
| 3.2.1 多通道极限学习机设计思路 | 第32-33页 |
| 3.2.2 多通道极限学习机神经网络模型结构 | 第33-34页 |
| 3.2.3 多通道极限学习机的训练和识别 | 第34-36页 |
| 3.3 多通道极限学习机计算效率分析 | 第36-38页 |
| 3.4 多通道半监督在线极限学习机 | 第38-41页 |
| 3.4.1 多通道半监督在线极限学习机设计思路 | 第38页 |
| 3.4.2 多通道半监督在线极限学习机的训练和识别过程 | 第38-41页 |
| 3.5 多任务极限学习机 | 第41-46页 |
| 3.5.1 问题描述和设计思路 | 第41-42页 |
| 3.5.2 多任务极限学习机神经网络结构及模型设计 | 第42-45页 |
| 3.5.3 多任务极限学习机的训练和识别过程 | 第45-46页 |
| 3.6 多任务多通道半监督在线极限学习机 | 第46-51页 |
| 3.6.1 多任务多通道半监督在线极限学习机设计思路 | 第46-48页 |
| 3.6.2 多任务多通道半监督在线极限学习机的训练和识别过程 | 第48-51页 |
| 3.7 小结 | 第51-53页 |
| 第4章 RGB-D图像自然表情识别的实现和实验分析 | 第53-75页 |
| 4.1 RGB-D图像采集和表情数据集构建 | 第53-56页 |
| 4.2 RGB-D图像的局部Haar-like特征提取 | 第56-58页 |
| 4.3 利用多任务多通道半监督在线极限学习机实现表情识别 | 第58-60页 |
| 4.4 基于静态图片和Kinect实时捕获视频的表情识别 | 第60-62页 |
| 4.5 实验和结果分析 | 第62-72页 |
| 4.5.1 实验方案 | 第63页 |
| 4.5.2 算法性能分析和参数选择 | 第63-71页 |
| 4.5.3 深度图像对表情识别性能影响实验分析 | 第71-72页 |
| 4.6 小结 | 第72-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间所发表的学术论文 | 第81-83页 |
| 致谢 | 第83页 |
