| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 人脸识别技术研究现状 | 第10-12页 |
| 1.2.2 人脸性别识别研究现状 | 第12-13页 |
| 1.2.3 人脸年龄估计研究现状 | 第13-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.3.1 基于残差学习的性别识别研究 | 第15页 |
| 1.3.2 基于性别的人脸年龄段分类研究 | 第15-16页 |
| 1.3.3 基于深度学习的人脸年龄段分类系统的实现 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术 | 第18-32页 |
| 2.1 卷积神经网络基本结构 | 第18-23页 |
| 2.1.1 卷积神经网络的发展概况 | 第18-19页 |
| 2.1.2 卷积层 | 第19-20页 |
| 2.1.3 池化层 | 第20-21页 |
| 2.1.4 全连接层 | 第21-22页 |
| 2.1.5 LOSS层 | 第22-23页 |
| 2.2 神经网络的基本算法 | 第23-30页 |
| 2.2.1 梯度下降算法(gradient descent algorithm) | 第23-24页 |
| 2.2.2 反向传播算法(backpropagation algorithm) | 第24-26页 |
| 2.2.3 激活函数 | 第26-30页 |
| 2.3 Caffe框架介绍 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于全卷积残差网络的性别识别研究 | 第32-44页 |
| 3.1 残差学习 | 第32-33页 |
| 3.2 残差网络架构 | 第33-34页 |
| 3.3 基于全卷积神经网络的模型改进 | 第34-42页 |
| 3.3.1 全卷积神经网络的原理 | 第34-36页 |
| 3.3.2 数据预处理 | 第36-38页 |
| 3.3.3 全卷积残差网络的搭建与训练 | 第38-41页 |
| 3.3.4 网络退化问题实验分析 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于改进的残差网络年龄分类研究 | 第44-56页 |
| 4.1 直通结构 | 第44-46页 |
| 4.2 分裂-整合-转换策略 | 第46-48页 |
| 4.3 年龄段分类模型设计 | 第48-52页 |
| 4.3.1 数据预处理 | 第48-49页 |
| 4.3.2 模型设计 | 第49-52页 |
| 4.4 基于性别的年龄估计研究 | 第52-53页 |
| 4.5 本章小结 | 第53-56页 |
| 第五章 基于深度学习的人脸年龄段分类系统设计与实现 | 第56-64页 |
| 5.1 系统总体设计 | 第56-57页 |
| 5.2 功能模块设计 | 第57-59页 |
| 5.3 系统设计过程与结果 | 第59-61页 |
| 5.3.1 系统设计过程 | 第59页 |
| 5.3.2 系统的实现结果 | 第59-61页 |
| 5.4 系统测试 | 第61-62页 |
| 5.4.1 测试环境 | 第61页 |
| 5.4.2 测试结果 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间研究成果 | 第72页 |
