| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文的主要工作和研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 生成对抗网络与人脸属性分析相关理论介绍 | 第17-32页 |
| 2.1 人脸多属性分析数据库 | 第17-21页 |
| 2.1.1 主流数据库 | 第17-20页 |
| 2.1.2 主流数据库测试协议 | 第20-21页 |
| 2.2 生成对抗网络(GAN) | 第21-23页 |
| 2.2.1 核心思想 | 第21-22页 |
| 2.2.2 训练算法及纳什均衡点 | 第22-23页 |
| 2.2.3 生成对抗网络的特点 | 第23页 |
| 2.3 数据增强相关技术 | 第23-28页 |
| 2.3.1 简单的图像变换 | 第24-25页 |
| 2.3.2 半监督学习 | 第25-28页 |
| 2.4 条件生成对抗网络 | 第28-29页 |
| 2.4.1 条件生成对抗网络(Conditional GAN) | 第28页 |
| 2.4.2 分类生成对抗网络(Categorical GAN) | 第28-29页 |
| 2.5 人脸属性分析与年龄估计 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 基于生成对抗网络的多属性人脸生成及辅助识别 | 第32-48页 |
| 3.1 算法流程 | 第32-33页 |
| 3.2 详细算法设计 | 第33-38页 |
| 3.2.1 数据预处理 | 第33页 |
| 3.2.2 基于生成对抗网络的细粒度多属性人脸合成(FM-GAN) | 第33-35页 |
| 3.2.3 特征匹配策略和正则化 | 第35-36页 |
| 3.2.4 FM-GAN训练算法和网络结构 | 第36-38页 |
| 3.3 实验设置与结果分析 | 第38-46页 |
| 3.3.1 辅助优化模型实验步骤和参数设置 | 第38-40页 |
| 3.3.2 不同引入条件方式比较:CGAN versus FM-GAN | 第40-41页 |
| 3.3.3 实验结果定性分析 | 第41-44页 |
| 3.3.4 实验结果定量分析 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 4 基于生成对抗网络的自训练优化模型方法 | 第48-55页 |
| 4.1 算法提出的动机 | 第48页 |
| 4.2 算法流程 | 第48-49页 |
| 4.3 自训练模型优化 | 第49-51页 |
| 4.4 自训练模型优化详细算法 | 第51-52页 |
| 4.5 实验设置分析与预测 | 第52-54页 |
| 4.5.1 生成数据与真实训练比例实验 | 第52-53页 |
| 4.5.2 自训练模型优化实验 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 5 结论与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第60-62页 |
| 学位论文数据集 | 第62页 |
