| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9页 |
| 1.3 卷积神经网络研究现状 | 第9-10页 |
| 1.4 人脸性别识别技术研究现状 | 第10-12页 |
| 1.5 文章组织结构 | 第12-14页 |
| 2 相关理论与技术综述 | 第14-26页 |
| 2.1 人工神经网络 | 第14-18页 |
| 2.1.1 神经元 | 第14-16页 |
| 2.1.2 人工神经网络的学习方式 | 第16-17页 |
| 2.1.3 人工神经网络模型 | 第17-18页 |
| 2.2 BP神经网络 | 第18-22页 |
| 2.3 Python程序设计语言与Caffe深度学习框架 | 第22-23页 |
| 2.3.1 Python语言 | 第22页 |
| 2.3.2 Caffe深度学习框架 | 第22-23页 |
| 2.4 人脸数据库 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 卷积神经网络 | 第26-44页 |
| 3.1 卷积神经网络的结构 | 第26-31页 |
| 3.1.1 局部感知 | 第26-27页 |
| 3.1.2 权值共享 | 第27-29页 |
| 3.1.3 卷积神经网络模型 | 第29-31页 |
| 3.2 卷积神经网络的求解 | 第31-35页 |
| 3.2.1 卷积层的计算 | 第31-33页 |
| 3.2.2 下采样层的计算 | 第33页 |
| 3.2.3 卷积神经网络的训练过程 | 第33-35页 |
| 3.3 卷积神经网络的综合分析 | 第35-36页 |
| 3.4 粒子群算法改进卷积神经网络的方法 | 第36-42页 |
| 3.4.1 粒子群算法 | 第36-40页 |
| 3.4.2 粒子群算法对CNN算法的改进 | 第40-42页 |
| 3.4.2.1 CNN算法前向传播 | 第40-41页 |
| 3.4.2.2 CNN算法向后传播 | 第41-42页 |
| 3.5 实验与分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 卷积神经网络对人脸性别识别 | 第44-58页 |
| 4.1 人脸性别识别综述 | 第44-45页 |
| 4.2 用于人脸性别识别的卷积神经网络结构设计 | 第45-50页 |
| 4.2.1 LeNet-5卷积神经网络模型 | 第45-47页 |
| 4.2.2 LBP人脸性别识别网络模型设计 | 第47-49页 |
| 4.2.3 FGI网络模型实验与分析 | 第49-50页 |
| 4.3 人脸性别识别仿真过程 | 第50-53页 |
| 4.4 仿真结果 | 第53-56页 |
| 4.4.1 与经典识别方法的比较 | 第53-54页 |
| 4.4.2 与采用梯度下降算法的CNN比较 | 第54-55页 |
| 4.4.3 对有遮挡饰物的人脸性别测试 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 5 总结和展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 在学期间的研究成果 | 第62-64页 |
| 致谢 | 第64页 |