基于LSTM细分类的人脸图像年龄估计研究

目录

声明

第1章 绪论

1.1 背景和意义

1.1.1 研究背景

1.1.2 研究意义

1.2 研究现状

1.2.1 人脸图像生理年龄估计

1.2.2 人脸图像表观年龄估计

1.3 论文的主要研究内容

1.4 论文主要工作和章节安排

第2章 深度卷积神经网络

2.1 引言

2.2 卷积神经网络

2.2.1 早期经典模型

2.2.2 残差网络模型

2.3 循环神经网络

2.4 LSTM网络

2.5 本章小结

第3章 基于LSTM细分类的人脸图像年龄估计方法

3.1 引言

3.2 基于LSTM细分类的年龄估计方法可行性分析

3.3 细粒度年龄估计方法流程

3.4 全局特征训练方法

3.5 基于全局模型构建AL-CNN网络

3.5.1 构建AL-ResNets模型

3.5.2 构建AL-RoR模型

3.6 局部特征训练方法

3.6.1 输入特征模块

3.6.2 LSTM单元模块

3.6.3 定位网络与特征裁剪模块

3.6.4 输出模块

3.7 本章小结

第4章 实验结果及分析

4.1 引言

4.2 评估指标

（1）单一年龄分类准确度和1-off 准确度

（2）平均绝对误差

（3）ε-误差

4.3 人脸年龄数据集

4.3.1 Adience数据集

4.3.2 LAP数据集

4.3.3MORPH Album 2数据集

4.3.4 FG-NET数据集

4.4 实验参数设置

4.5 年龄组分类实验

4.5.1 在fold-4测试集上实验

4.5.2 在Adience数据集上实验

4.5.3 方法总结与对比

4.6 表观年龄值估计

4.6.1 深度期望算法

4.6.2 在15LAP上实验

4.6.3 在15LAP上方法总结与对比

4.6.4 在16LAP上方法总结与对比

4.7 真实年龄值估计实验结果与对比

4.8 本章小结

第5章 结论与展望

参考文献

攻读硕士期间所发表的论文

致谢