| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 基于传统的人脸属性识别算法 | 第10页 |
| 1.2.2 基于深度学习的人脸属性算法 | 第10-11页 |
| 1.3 本文的主要工作和组织结构 | 第11-13页 |
| 1.3.1 本文的主要工作 | 第11页 |
| 1.3.2 本文的组织结构 | 第11-13页 |
| 第二章 相关理论 | 第13-29页 |
| 2.1 人脸属性识别方法 | 第13-16页 |
| 2.1.1 单任务的人脸属性识别算法 | 第13-14页 |
| 2.1.2 多任务的人脸属性识别算法 | 第14-15页 |
| 2.1.3 多标签的人脸属性识别算法 | 第15-16页 |
| 2.2 特征提取 | 第16-23页 |
| 2.2.1 基于传统的人脸属性识别算法的特征提取 | 第16-19页 |
| 2.2.2 基于深度学习的人脸属性识别算法的特征提取 | 第19-23页 |
| 2.3 人脸属性识别算法属性分类 | 第23-29页 |
| 2.3.1 基于传统的人脸属性识别算法的目标分类 | 第23-27页 |
| 2.3.2 基于深度学习的人脸属性识别算法目标分类 | 第27-29页 |
| 第三章 基于多级子网络的单任务人脸属性识别算法 | 第29-41页 |
| 3.1 问题表述 | 第29-30页 |
| 3.1.1 传统人脸属性识别算法存在的问题 | 第29页 |
| 3.1.2 深度卷积神经网络性能的提升及存在问题 | 第29-30页 |
| 3.2 解决方法 | 第30页 |
| 3.2.1 使用卷积神经网络技术 | 第30页 |
| 3.2.2 精简网络模型 | 第30页 |
| 3.3 基于多级子网络的人脸属性识别算法 | 第30-33页 |
| 3.3.1 多级子网络 | 第31-32页 |
| 3.3.2 卷积核的选择 | 第32-33页 |
| 3.3.3 模型精简 | 第33页 |
| 3.4 实验结果与分析 | 第33-39页 |
| 3.4.1 数据集 | 第33-35页 |
| 3.4.2 数据预处理 | 第35-36页 |
| 3.4.3 训练细节 | 第36-37页 |
| 3.4.4 实验环境 | 第37页 |
| 3.4.5 比较方法 | 第37-38页 |
| 3.4.6 实验结果分析 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于多标签网络的人脸属性识别算法 | 第41-53页 |
| 4.1 问题表述 | 第41页 |
| 4.2 提出算法 | 第41-43页 |
| 4.3 基于多标签网络的人脸属性识别算法 | 第43-47页 |
| 4.3.1 人脸部件的划分 | 第43-44页 |
| 4.3.2 多标签网络 | 第44-47页 |
| 4.4 训练方法 | 第47-48页 |
| 4.4.1 实验环境 | 第47-48页 |
| 4.4.2 训练细节 | 第48页 |
| 4.5 实验结果与分析 | 第48-52页 |
| 4.5.1 比较方法 | 第48-49页 |
| 4.5.2 实验结果分析 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 发表论文和科研情况 | 第58-59页 |
| 致谢 | 第59页 |