| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的创新点及内容安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 创新点 | 第12-13页 |
| 1.3.3 本文结构安排 | 第13-14页 |
| 第二章 图像预处理 | 第14-20页 |
| 2.1 人脸年龄图像数据库 | 第14-15页 |
| 2.2 图像预处理 | 第15-16页 |
| 2.2.1 图像配准 | 第16页 |
| 2.2.2 图像融合 | 第16页 |
| 2.3 人脸检测 | 第16-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 年龄估计特征提取与分类 | 第20-25页 |
| 3.1 年龄估计特征 | 第20-21页 |
| 3.1.1 基于LBP的特征提取 | 第20-21页 |
| 3.1.2 Gabor特征变换 | 第21页 |
| 3.2 年龄估计分类器 | 第21-23页 |
| 3.2.1 支持向量机 | 第21-22页 |
| 3.2.2 基于Adaboost学习算法 | 第22-23页 |
| 3.3 年龄估计的评价标准 | 第23-25页 |
| 第四章 深度学习网络结构简介 | 第25-36页 |
| 4.1 人工神经网络 | 第25-31页 |
| 4.1.1 神经元 | 第25-26页 |
| 4.1.2 激活函数 | 第26-27页 |
| 4.1.3 神经网络的正向传播 | 第27-28页 |
| 4.1.4 神经网络的训练 | 第28-29页 |
| 4.1.5 批梯度下降(Batch Gradient Descent) | 第29-30页 |
| 4.1.6 梯度消失的问题 | 第30-31页 |
| 4.2 卷积神经网络(Convolutional Neural Network, CNN) | 第31-33页 |
| 4.2.1 局部感知野 | 第31-32页 |
| 4.2.2 权值共享 | 第32页 |
| 4.2.3 卷积层 | 第32-33页 |
| 4.2.4 池化层 | 第33页 |
| 4.3 LeNet-5网络和GoogleLeNet网络 | 第33-34页 |
| 4.4 本章小结 | 第34-36页 |
| 第五章 基于卷积神经网络的人脸年龄估计 | 第36-44页 |
| 5.1 算法思路 | 第36-38页 |
| 5.2 实验设计 | 第38-39页 |
| 5.3 实验结果及分析 | 第39-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 总结与展望 | 第44-46页 |
| 6.1 本文研究总结 | 第44页 |
| 6.2 对未来工作的展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 在学期间的研究成果 | 第50-51页 |
| 致谢 | 第51页 |
