| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 基于几何特征的方法 | 第15页 |
| 1.2.2 基于纹理特征的方法 | 第15-16页 |
| 1.2.3 基于深度特征的方法 | 第16-18页 |
| 1.3 本文的研究工作 | 第18页 |
| 1.4 论文的安排 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 2 深度学习研究 | 第20-32页 |
| 2.1 深度学习的常用方法 | 第22-25页 |
| 2.1.1 受限玻尔兹曼机 | 第22-24页 |
| 2.1.2 深度信念网络 | 第24-25页 |
| 2.1.3 自动编码机 | 第25页 |
| 2.1.4 卷积神经网络 | 第25页 |
| 2.2 卷积神经网络结构 | 第25-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 基于人脸相似度检索策略的颜值分类方法 | 第32-44页 |
| 3.1 人脸相似度CNN网络 | 第32-35页 |
| 3.2 训练CNN的数据集 | 第35-36页 |
| 3.3 人脸图像对齐 | 第36-38页 |
| 3.4 人脸多区域CNN特征提取 | 第38-40页 |
| 3.5 基于人脸相似度检索策略的人脸颜值分类 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 基于颜值CNN特征与几何特征池在线人脸颜值分类 | 第44-62页 |
| 4.1 人脸颜值CNN特征 | 第44-47页 |
| 4.2 人脸几何特征池 | 第47-53页 |
| 4.2.1 传统的人脸几何特征 | 第47-50页 |
| 4.2.2 人脸几何特征池 | 第50-53页 |
| 4.3 实验结果 | 第53-61页 |
| 4.3.1 两种颜值分类方法性能分析 | 第53-54页 |
| 4.3.2 三种颜值特征的分类性能分析 | 第54-58页 |
| 4.3.3 颜值CNN特征的可视化 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 作者简介 | 第69页 |