| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究目的和意义 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-15页 |
| 1.3 主要内容和组织结构 | 第15-17页 |
| 1.3.1 主要内容 | 第15-16页 |
| 1.3.2 组织结构 | 第16-17页 |
| 第2章 深度学习理论介绍 | 第17-33页 |
| 2.1 人工神经网络概述 | 第17-23页 |
| 2.1.1 感知机模型 | 第17-19页 |
| 2.1.2 人工神经网络 | 第19-21页 |
| 2.1.3 BP算法 | 第21-23页 |
| 2.2 卷积神经网络概述 | 第23-28页 |
| 2.2.1 局部感受野与权值共享 | 第23-24页 |
| 2.2.2 卷积层与降采样层 | 第24-25页 |
| 2.2.3 CNN的反向传播 | 第25-28页 |
| 2.3 循环神经网络RNN | 第28-32页 |
| 2.3.1 循环神经网络结构 | 第28-29页 |
| 2.3.2 梯度消失与梯度爆炸 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于CNN图像序列插帧的数据集预处理 | 第33-47页 |
| 3.1 微表情数据集介绍 | 第34-38页 |
| 3.1.1 USF-HD微表情数据集 | 第34-35页 |
| 3.1.2 SMIC微表情数据集 | 第35-36页 |
| 3.1.3 CASME微表情数据集 | 第36-38页 |
| 3.2 数据集预处理 | 第38-45页 |
| 3.2.1 人脸对齐与人脸裁剪 | 第38页 |
| 3.2.2 基于CNN的图像序列插帧 | 第38-43页 |
| 3.2.3 帧数归一化 | 第43-44页 |
| 3.2.4 数据集扩充 | 第44-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第4章 基于改进的CNN-RNN的微表情识别 | 第47-63页 |
| 4.1 基于CNN的微表情空间特征提取 | 第47-52页 |
| 4.1.1 常用的CNN模型 | 第47-51页 |
| 4.1.2 基于VGG网络的微表情特征提取 | 第51-52页 |
| 4.2 基于CNN-RNN的微表情空间-时序特征提取 | 第52-56页 |
| 4.2.1 长短期记忆网络与门控循环单元 | 第52-55页 |
| 4.2.2 CNN-RNN混合模型的搭建 | 第55-56页 |
| 4.3 实验仿真与分析 | 第56-61页 |
| 4.3.1 CNN预训练实验结果与分析 | 第57-58页 |
| 4.3.2 基于CNN-RNN的微表情识别实验结果与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |