| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题研究目的及意义 | 第13-15页 |
| 1.2 微表情识别技术的研究现状 | 第15-16页 |
| 1.3 深度学习用于表情/微表情识别的研究现状 | 第16-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 深度学习理论介绍 | 第20-32页 |
| 2.1 卷积神经网络 | 第20-23页 |
| 2.1.1 神经网络概念 | 第20-21页 |
| 2.1.2 卷积神经网络概念 | 第21-22页 |
| 2.1.3 局部感知野 | 第22-23页 |
| 2.1.4 权值共享 | 第23页 |
| 2.2 三维卷积神经网络 | 第23-26页 |
| 2.2.1 三维卷积神经网络概念 | 第23-24页 |
| 2.2.2 三维卷积层 | 第24-25页 |
| 2.2.3 三维池化层 | 第25-26页 |
| 2.3 循环神经网络 | 第26-28页 |
| 2.3.1 循环神经网络概念 | 第26-27页 |
| 2.3.2 长短时记忆网络介绍 | 第27-28页 |
| 2.4 全卷积网络 | 第28-29页 |
| 2.5 损失函数 | 第29-31页 |
| 2.5.1 柔性最大值损失函数 | 第29-30页 |
| 2.5.2 三元组损失函数 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 微表情数据库的图像预处理技术 | 第32-38页 |
| 3.1 SDU2数据库简要概述 | 第32-33页 |
| 3.2 微表情数据库的预处理方法 | 第33-36页 |
| 3.2.1 回归局部二元特征算法 | 第33-34页 |
| 3.2.2 微表情数据库的对齐和切割方法 | 第34-36页 |
| 3.3 动作单元标注技术 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于长短时记忆网络的微表情识别方法 | 第38-48页 |
| 4.1 微表情下的长短时记忆网络 | 第38-39页 |
| 4.2 长短时记忆网络结构 | 第39-42页 |
| 4.2.1 网络结构介绍 | 第39-41页 |
| 4.2.2 训练方法和参数设置 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-47页 |
| 4.3.1 实验数据库介绍 | 第43页 |
| 4.3.2 训练网络中卷积网络对实验结果的影响 | 第43-46页 |
| 4.3.3 多种方法实验对比 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于'宏to微转换模型'的微表情自动识别方法 | 第48-67页 |
| 5.1 宏to微转换模型 | 第48-49页 |
| 5.2 跨模态三元组损失函数 | 第49-52页 |
| 5.3 动作单元识别网络 | 第52-54页 |
| 5.4 实验设置 | 第54-57页 |
| 5.4.1 网络结构 | 第54页 |
| 5.4.2 实验数据库 | 第54-55页 |
| 5.4.3 跨模态三元组样本选择原则 | 第55-57页 |
| 5.4.4 参数设置与训练方法 | 第57页 |
| 5.5 实验结果与分析 | 第57-65页 |
| 5.5.1 宏to微转换模型效果对比 | 第57-58页 |
| 5.5.2 跨模态三元组损失函数效果对比 | 第58-60页 |
| 5.5.3 动作单元识别网络对结果的影响 | 第60-63页 |
| 5.5.4 多种方法实验对比 | 第63-65页 |
| 5.6 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-76页 |
| 致谢 | 第76-77页 |
| 硕士期间研究成果 | 第77-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |