Tiểu luận môn hệ thống thông tin ứng dụng mạng neural tich chập trong nhận dạng hoa quả

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG

KHOA CƠNG NGHỆ THƠNG TIN I
----------

TÊN ĐỀ TÀI: ỨNG DỤNG MẠNG NEURAL TÍCH CHẬP
TRONG NHẬN DẠNG HOA QUẢ

CHUYÊN NGÀNH :HỆ THỐNG THÔNG TIN
GIẢNG VIÊN HƯỚNG DẪN :PGS.TS. NGUYỄN QUANG HOAN

HÀ NỘI-NĂM 2021
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG

KHOA CƠNG NGHỆ THƠNG TIN I


----------

TÊN ĐỀ TÀI: ỨNG DỤNG MẠNG NEURAL TÍCH CHẬP
TRONG NHẬN DẠNG HOA QUẢ

CHUYÊN NGÀNH :HỆ THỐNG THÔNG TIN
GIẢNG VIÊN HƯỚNG DẪN :PGS.TS. NGUYỄN QUANG HOAN

HÀ NỘI-NĂM 2021
MỤC LỤC

2

3


MỞ ĐẦU
Mạng neural nhân tạo hay gọi ngắn gọn là mạng neural (tiếng anh là
Artifical Neural Network) đang là vấn đề khá nổi trong cuộc cách mạng công
nghệ 4.0. Các nhà nghiên cứu, các nhà khoa học, tổ chức đã và đang ứng dụng
khá nhiều công nghệ liên quan đến mạng neural vào đời sống hằng ngày. Đơn
giản là việc phân loại, nhận dạng các đối tượng trên camera. Chúng góp phần
khơng nhỏ cho việc quản lý, nhận dạng các đối tượng nhằm giảm thiểu sự khó
khăn trong cơng việc của con người.
Ở nước ta, nền nông nghiệp được chú trọng phát triển. Mỗi đợt thu hoạch
nông sản, người nông dân phải làm thao tác phân loại nông sản bằng các biện
pháp thủ công nên rất mất thời gian, công sức. Đây là công việc đơn giản nhưng
lại ảnh hưởng rất lớn đối với quy mô phát triển nông nghiệp.
Hiện nay nhờ sự phát triển mạnh mẽ của công nghệ trong lĩnh vực học
máy. Việc sử dụng các mạng neural nhân tạo trong các máy móc phục vụ nơng
nghiệp khá là hay, luôn hấp dẫn các nghiên cứu sinh nghiên cứu về nó. Do đó,
nhờ sự tìm hiểu và sự giúp đỡ từ thầy hướng dẫn, em chọn đề tài: “Mạng
Couvolutional Neural Network và ứng dụng trong việc nhân dạng hoa quả”.
Bài báo cáo gồm 3 nội dung chính như sau:
Chương I: Giới thiệu tổng quan
Chương II: Tìm hiểu mạng Couvolutional Neural Netwok và mơ hình mạng
Chương III: Ứng dụng Couvolutional Neural Network cho bài toán nhận dạng
hoa quả.

4


Danh mục chữ viết tắt

Tên viết tắt
ANN
CNN
ReLU

Nghĩa tiếng anh
Artifical Neural Network
Couvolutional Neural Netwok
Rectified Linear Unit

Nghĩa tiếng viêt
Mạng neural nhân tạo
Mạng neural tích chập
Đơn vị tính tốn chỉnh lưu

5


Danh mục đồ thị

6


Chương I: GIỚI THIỆU TỔNG QUAN
I.1. Phát biểu bài toán nhận dạng hoa quả
Bài toán nhận dạng là một bài tốn khá cơ bản trong trí tuệ nhân tạo, học
sâu… Nó là nền tảng cho hầu hết các lý thuyết liên quan đến nhiều bài toán mở
rộng khác như phân lớp, định vị, tách biệt vật thể,... Tuy nhiên, nhìn chung, bài
toán này đã xuất hiện và tồn tại hàng thế kỉ mà con người vẫn chưa tìm ra cách
giải quyết hợp lý. Do đó, cũng có rất nhiều khó khăn trong việc để máy móc hiểu

được các thơng tin trong bức ảnh. Các khó khăn có thể kê đến như: sự đa dạng
điểm ảnh, sự đa dạng về kích thước, điều kiện ánh sáng, sự ẩn giấu của các vật
thể, sự đa dạng chủng loại, màu sắc,…
Một trong những trường hợp cụ thể của bài tốn nhận dạng đó là nhận
dạng hoa quả. Bài toán này kế thừa những khó khăn của bài tốn nhận dạng nói
chung và kèm theo những khó khăn riêng của chính nó như: số lượng chủng loại
hoa quả theo mùa, miền, địa hình,… với vơ số loại có kích thước, màu sắc, kết
cấu giống nhau trong suốt chu kỳ phát triển từ lúc xanh đến khi chín; sự đa dạng
về kích cỡ, hình dạng của cùng một lồi quả do điều kiện khí hậu, đất đai, vùng
miền,… Do đó, để xử lý bài tốn này địi hỏi phải có những phương pháp tiếp
cận phù hợp với yêu cầu đề ra.
I.2.Phương pháp tiếp cận bài toán:
Bài toán nhận dạng hoa quả từ lâu đã xuất hiện trên nhiều bài báo, diễn
đàn, cơng trình khoa học đã đưa ra nhiều hướng giải quyết khác nhau. Trong đó,
sớm nhất phải kể đến phương pháp xử lý ảnh (image processing). Phương pháp
này tập trung phần lớn vào việc trích xuất đặc trưng của ảnh như: mức xám, điểm
ảnh, tham số màu sắc, kích thước hình dạng vật thể,… từ bức ảnh đầu vào của
hoa quả. Vì vậy nên phương pháp này chỉ tập trung vào một vài bức ảnh đầu vào
trong khi đó sự biến thiên về màu sắc, kích thước hồn tồn khác nhau đối với
các loại hoa quả. Ảnh hưởng của nó đến hiệu suất của phương pháp không được
cao nên áp dụng rất hạn chế đối với các loại hoa quả.
Từ những năm 2000, một số bài báo viết về áp dụng phương pháp học
máy (machine learning) vào bài tốn nhận dạng với độ chính xác cao. Từ đó,
hướng giải quyết tập trung vào ứng dụng và cải tiến thuật toán học máy, cụ thể là
7


nghiên cứu, thử nghiệm trích chọn đặc trưng cụ thể để đưa vào bộ nhận dạng tự
động. Trong phạm vi hạn chế số lượng hoa quả, phương pháp này đã đạt được
những kết quả đáng kinh ngạc.

Phương pháp học sâu cũng là một trong những cách tiếp cận được áp dụng
vào trong bài toán này. Cụ thể kết hợp xử lý dữ liệu và sử dụng mạng neural như:
ANN, CNN,… Điều này làm giảm đáng kể thời gian xử lý dữ liệu.

Hình 1.Mơ tả 2 phương pháp trong bái tốn nhận dạng

I.2.1.Phương pháp Machine Learning truyền thống
Phương pháp này gồm 2 giai đoạn chính là huấn luyện (training) và thử
nghiệm (testing). Trong mỗi giai đoạn thì u cầu chính và quan trọng đó là trích
trọn đặc trưng của ảnh (Feature extraction) và thuật toán phân loại, nhận dang,…
Hai thành phần này ảnh hưởng rất lớn đến kết quả bài toán do đó cần thiết kế cẩn
thận, tốn nhiều cơng sức, thời gian, yêu cầu đối với người thiết kế phải nắm vững
chuyên môn và hiểu rõ đặc trưng cần xử lý.
Trong thực tế, dữ liệu ta nhận được chỉ là dữ liệu thơ, do đó những dữ liệu
này phải qua q trình chọn lọc, xử lý. Để có thể có dữ liệu chuẩn đưa đi huấn
luyện phải có q trình biến đổi thành dạng dữ liệu cho máy hiểu. Mỗi dữ loại dữ
liệu sẽ có những đặc trưng riêng đối với từng trường hợp cụ thể. Do đó cần tuỳ
biến một cách thích hợp để đảm bảo tính chính xác của bài toán.

8


I.2.2. Phương pháp học sâu – deep learning:
Là một trong các lĩnh vực chuyên sâu của học máy xuất hiện từ những
năm 1980 và hiện nay đang khá phổ biến. Ta có thể tận dụng kho dữ liệu số
khổng lồ trên internet và khả năng tính tốn nhanh cho mơ hình mạng.
Mạng Neural được ứng dụng phổ biến trong phương pháp này. Cụ thể ta
đưa dữ liệu qua nhiều lớp của mạng Neural và lấy kết quả đầu ra để sao sánh với
dữ liệu huấn luyện. Mỗi lớp của mạng sẽ phân tích đầu vào theo khía cạnh khác
nhau và mức trừu tượng tăng dần.

I.3. Phương hướng nghiên cứu bài tốn:
Nhận dạng ln là một bài tốn nền tảng để phát triển bài tốn tổng qt,
chi tiết với độ chính xác cao. Do đó, bài tốn phụ thuộc chủ yếu vào bộ dữ liệu.
Bộ dữ liệu càng lớn thì tính chính xác càng được cải thiện.
Kết quả của bài tốn sẽ được áp dụng cho các mức độ phức tạp chuyên
sâu hơn như: phân loại hoa quả, nhận dạng bệnh trên quả,…
Việc áp dụng mạng neural vào nghiên cứu đảm bảo yêu cầu: phương pháp
đơn giản, lượng dữ liệu đưa vào đầy đủ, chính xác với sản phẩm hoa quả phù hợp
ở nước ta, độ chính xác khi kết quả đầu ra dự đốn chính xác.
•

9


Chương II: TÌM HIỂU MẠNG COUVOLUTIONAL NEURAL NETWOK
VÀ MƠ HÌNH MẠNG
II.1. Couvolutional neural netwok là gì?
Mạng neural tích chập (Couvolutional neural netwok) là một thuật tốn
deep learning có thể lấy hình ảnh đầu vào, gán độ quan trọng (trọng số và độ
lệch) cho các đặc trưng và đối tượng khác nhau trong hình ảnh; có thể phân biệt
được đặc trưng và đối tượng này với nhau. Công việc tiền xử lý được yêu cầu
cho mạng neural tích chập ít hơn nhiều so với các mơ hình khác. Trong phương
thức sơ khai, các bộ lọc được thiết kế bằng tay, với một quá trình huấn luyện để
chọn lọc ra các bộ lọc đặc trưng phù hợp thì mạng neural tích chập lại có khả
năng tự học để chọn ra các bộ lọc, đặc trưng tối ưu nhất.
Kiến trúc neural tích chập tương tự mơ hình kết nối của các neural trong
bộ não con người và được lấy cảm hứng từ võ thị giác trong bộ não. Các neural
chỉ phản ứng với các kích thích trong một khu vực hạn chế của trường thị giác
gọi là trường tiếp nhận. Một tập hợp trường tiếp nhận như vậy chồng lên nhau để
bao phủ tồn trường thị giác.

Hình 2.Mơ tả thị giác con người, cảm hứng cho mạng CNN

10


II.2.Lịch sử phát triển:
Nghiên cứu trong thập niên 1950 và 1960 của D.H Hubel và T.N Wiesel
trên não động vật đã đề xuất một mơ hình mới cho việc cách mà động vật nhìn
nhận thế giới. Trong báo cáo hai ông đã mô tả 2 loại tế bào neural trong não và
cách hoạt động khác nhau: tế bào đơn giản (simple cell – S cell) và tế bào phức
tạp (complex cell – C cell).
Các tế bào đơn giản được kích hoạt khi nhận dạng các hình dáng đơn giản
như đường nằm trong một khu vực cố định và một góc cạnh của nó. Các tế bào
phức tạp có vùng tiếp cận lớn hơn và đầu ra của nó khơng nhạy cảm với những vị
trí cố định trong vùng.
Trong thị giác, vùng tiếp nhận của neural tương ứng với một vùng trên
võng mạc nơi sẽ kích hoạt neural tương ứng.
Năm 1980, Fukushima đề xuất mơ hình mạng neural có cấp bậc gọi là
neocoginitron, Mơ hình này dựa trên khái niệm về S cell và C cell. Mạng
neocoginitron có thể nhận dạng mẫu dựa việc học hình dáng đối tượng.
Sau đó năm 1988, Mạng neural tích chập được giới thiệu bởi Bengio,
LeCun, Bottou và Haffner. Mơ hình đầu tiên được gọi tên là LeNet-5. Mơ hình
này có thể nhận dạng chữ viết tay.

11


II.3 Phép tích chập (Convulution Operation)
Ta có thể hiểu phép tích chập giống như một hoạt động trộn thơng tin lại

với nhau. Phép toán này được sử dụng tương đối rộng rãi trong nhiều ngành khoa
học và kỹ thuật khác nhau.
Trong tốn học, phép tích chập giữa hai hàm f và g sẽ tạo ra một hàm thứ
ba biểu thị sự biến đổi của một hàm đối với hàm còn lại. Xét hai hàm f và g, phép
tích chập giữa hai hàm này được định nghĩa như sau:

12


13


Hình 3.Hình ảnh đầu vào 2D mặt trời tích chập với một kernal.Một bản đồ đặc trưng (feuturemap) có kích thước (N2)x(N-2) là kết quả từ phép tính.

Chúng ta xem xét trong khơng gian một chiều, phép tích chập giữa hai
hàm f và g được mơ tả bởi phương trình sau:

Đối với đầu vào 2 chiều như hình ảnh, chúng ta có đầu vào cho phép tích chập.
Đầu vào thứ nhất là một hình ảnh 2D, đầu vào cịn lại được gọi là kernel hoặc
mask hoạt động giống như bộ lọc (filter) cho hình ảnh 2D đầu vào và tạo ra một
hình ảnh khác cho đầu ra. Chúng ta hãy xem xét cụ thể một 2D – convolution:

Hình
Hình2.3.Minh
4.Minh hoạ
hoạ2D
2D––Convolution
Convolution

14

.

II.3. Kiến trúc mạng Couvolutional Neural Netwok:
Nguyên tắc chung trong hầu hết các mạng CNN hiện này đều được thiết
kế như sau:
• Sử dụng nhiều Convolution Layer chồng lên nhau.
• Giảm dần kích thước ouput mỗi tầng.
• Tăng dần số lượng Feature map.
Mơ hình mạng CNN dùng để huấn luyện và kiểm tra, mỗi hình ảnh đầu
vào sẽ được qua một loạt các lớp tích chập với các bộ lọc (Kernals), tổng hợp lại
các lớp được kết nối đầy đủ (Full Connected) và áp dụng hàm Softmax để phân
loại đối tượng có xác suất 0 và 1.

Hình 5.. Mơ hình CNN xửHình
lý đầu2.4
vào và phân loại đối tượng

II.3.1. Lớp tích chập – Convolution Layer
Lớp tích chập (Convolution Layer) là lớp quan trọng nhất và cũng là lớp
đầu tiên của mô hình CNN. Lớp này có chức năng chính là phát hiện các đặc
trưng có tính khơng gian hiệu quả. Trong tầng này có bốn đối tượng chính là: ma
trận đầu vào, bộ lọc (filters), trường tiếp nhận (receptive field) và Feature map.
Lớp tích chập đầu vào này sẽ là một ma trận ba chiều và một bộ lọc cần
phải học. Bộ lọc này sẽ trượt qua từng bức ảnh để tích chập (Convolution) giữa
bộ lọc và phần tương ứng trên bức ảnh. Phần tương ứng này gọi là trường tiếp
nhận (receptive field), tức là vùng mà neural có thể nhìn thầy để đưa ra quyết
định, và ma trận cho ra bởi q trình này gọi là Feature map.
Ví dụ, dữ liệu đầu vào là ma trận có kích thước 8x8x1, một bộ lọc có kích

thước 2x2x1, feature map có kích thước 7x7x1. Mỗi giá trị feature map được tính
bằng tổng các phần tử tương ứng của bộ lọc 2x2x1 với trường tiếp nhận trên ảnh.
15


Và để tính tất cả các giá trị cho feature map, ta trượt bộ lọc từ trái qua phải, trên
xuống dưới. Do đó, phép convolution bảo tồn thứ tự khơng gian các điểm ảnh.

Hình 6.Mơ tả hoạtHình
động2.5.
lớp ..Convolution Layer

Chức năng chính của lớp Convolution Layer là phát hiện đặc trưng của ảnh
(feature detector). Những đặc trưng này bao gồm các đặc trưng cơ bản như: góc,
cạnh, màu sắc, hoặc đặc trưng phức tạp hơn như texture ảnh. Vì bộ lọc qt qua
tồn bộ bức ảnh nên đặc trưng có thể nằm ở bất kỳ đâu trong bức ảnh, cho dù
xoay trái hay phải thì vẫn nhận ra đặc trưng đó.
Hình 7.Ma trận filter của ảnh

Hình 8.Vị trí của ma trận tại các điểm ảnh xác định cạnh

16


Trong ví dụ trên, khi dùng bộ lọc trượt qua ảnh của nhân vật Olaf trong bộ
phim Frozen. Ta thấy, chỉ những vị trí trên bức ảnh có dạng góc như đặc trưng ở
filter thì mới có giá trị lớn trên feature map, những vị trí cịn lại có giá trị thấp
hơn.
Ngồi ra, các tham số như: kích thước bộ lọc, bước nhảy và padding cũng
khá quan trọng. Kích thước bộ lọc nhỏ thường được ưu tiên hơn trong các mơ

hình huấn luyện, mặt khác, kích cỡ bộ lọc thường là số lẻ. Bước nhảy thể hiện số
pixel dịch chuyển khi di chuyển bộ lọc. Tham số padding khắc phục tình trạng
ma trận bị nhỏ đi khi qua các layer do đó đảm bảo kích thước ban đầu của đầu
vào để thực hiện huấn luyện.
II.3.2. Lớp phi tuyến (Nonlinear Layer)
Lớp này chứa các hàm phi tuyến để biến đổi ảnh.
ReLU (Rectified Linear Unit) là hàm kích hoạt trong mạng CNN. Hàm
này được ưu chuộng bởi vì tính tốn đơn giản, giúp hạn chế tình trạng vanishing
gradient và cũng cho kết quả tốt hơn. ReLU cũng như các hàm kích hoạt khác
được đặt ngay sau tầng convolution, ReLU sẽ gán những giá trị âm bằng 0, giữ
nguyên các giá trị đầu vào khi lớn hơn 0.
ReLU cũng có một vấn đề tiềm ẩn đó là khơng tồn tại đạo hàm tại 0, giá
trị của hàm ReLU có thể lớn đến vơ cùng và nếu không khởi tạo trọng số cẩn
thận, hoặc khởi tạo tốc độ học (learning rate) quá lớn thì những neural ở tầng này
có thể rơi vào trạng thái chết.
II.3.3. Lớp gộp – Pooling Layer
Sau hàm kích hoạt, thơng thường chúng ta sẽ sử dụng tầng pooling. Một số loại
pooling phổ biến như max-pooling, average pooling, với chức năng chính là
giảm chiều tầng trước đó. Với một pooling kích thước 2x2, ta cần trượt bộ lọc
2x2 này trên vùng ảnh kích thước rồi tính max, average của vùng đó.

Hình 9.Mô tả hoạt động khi gộp đầu vào.

17


Ý tưởng đằng sau tầng pooling là vị trí tuyệt đối của những đặc trưng
trong khơng gian ảnh khơng cịn cần thiết, thay vào đó vị trí tương đối giữ các
đặc trưng đã đủ phân loại đối tượng.
II.3.4. Lớp kết nối đầy đủ - Fully Connected Layer

Tầng cuối cùng trong mơ hình là tầng fully connected layer. Tầng này có
chức năng chuyển ma trận đặc trưng tầng trước thành vector chứa xác suất đối
tượng cần được dự đốn.
Ngồi ra, cuối q trình huấn luyện cần hàm tính độ lỗi sai số dự đốn và
nhãn chính xác, cũng như sử dụng thuật tốn backpropagation cho q trình cập
nhập trọng số.

18


Chương III: ỨNG DỤNG COUVOLUTIONAL NEURAL NETWORK
CHO BÀI TOÁN NHẬN DẠNG HOA QUẢ.
III.1. Cơ sở dữ liệu huấn luyện:
Độ phân giải của các bức ảnh là 32x32 pixel, hệ màu RGB.
Dữ liệu huấn luyện gồm 360 ảnh hoa quả trong đó gồm có:
•
•
•
•

90 ảnh quả táo
89 ảnh quả chuối
91 ảnh quả cam
90 ảnh quả nho.

Các dữ liệu đã được gán nhãn và thực hiện xử lý độ sáng và chuẩn hố sang
dạng xml.
Dữ liệu test gồm 60 ảnh trong đó gồm có:
•
•

•
•
•
•
•

20 ảnh quả táo
15 ảnh quả chuối
10 ảnh quả cam
10 ảnh quả nho
5 ảnh có cả táo và chuối
5 ảnh có cả cam và táo
5 ảnh cả 4 loại quả

Dữ liệu test cũng đã được gán nhãn, thực hiện xử lý độ sáng và chuẩn hoá
sang dạng xml.

19


Hình 10.Dữ liệu tiến hành huấn luyện

Hình 11. Dữ liệu tiến hành thử nghiệm (testing)

III.2. Xây dựng mơ hình huấn luyện CNN
III.2.1. Tạo project trên colab google:
Đầu tiên, chúng ta phải cài đặt môi trường trên google driver để thiết lập
vị vị trí trên project và đường dẫn cho nó.

Hình 12. Setting môi trường và đường dẫn cho tập tin dataset

Sau khi đã upload dataset theo đường dẫn
dir_path = "gdrive/My Drive/Dataset/Fruit Images/". Giờ đây, chúng ta đã sẵn
sàng để xây dựng và tranning mơ hình phục vụ nhu cầu bài toán.

20


III.2.2. Khai báo thư viện, kiểm tra lại dataset.

Hình 13. kiểm tra đường dẫn trong dataset và khai báo thư viện

Tiếp theo chúng ta sẽ mã hoá các tệp tin theo nhãn đã được tiền xử lý
trong dataset. Cụ thể, chúng ta sẽ có 4 nhãn là apple, banana, mixed, orange;
chúng được lưu trong 1 mảng array một chiều từ thư viện numpy. Tiếp theo từ
tập dataset ta sẽ khởi tạo được một mảng các dữ liệu và gán nhãn tương ứng mã
hoá theo các giá trị xuất hiện tương ứng trong mảng.
Sau khi được mã hố, ta có thể gọi bất kỳ một ảnh nào trong tập
dataset bằng thư viện matplotlib,
thư

viện này hỗ trợ hiển thị ảnh trên hàm số xác
định. Tuy nhiên, hệ màu RGB không được hỗ trợ trên
thư viện này.

Hình 14. Mã hố tập dataset để đưa và mạng CNN

21

III.2.3. Xây dựng, huấn luyện mơ hình:
Mạng CNN chúng ta xây dựng gồm 11
layer chồng lên nhau. Ba lớp Convolution sẽ lọc
lần lượt theo trọng số 32,64,128. Cứ mỗi lần qua
mỗi một lớp sẽ gộp theo phương pháp maxpooling.

Hình 15. Ảnh hiển thị bằng matplotlib

Hình 16.Mạng CNN

Sau khi xây dựng mạng, ta tiến hành khai báo dường dẫn data train, test.
Thiết lập đường lưu trạng thái sau khi train để thực hiện việc test.
22


Hình 17. Thiết lập các liên kết trước khi huấn luyên mạng

Thiết lập xong tất cả ta tiến hàng train mạng và chờ đợi kết quả

Hình 18.Training CNN

III.3. Kết quả huấn luyện
Phải khẳng định là mơ hình CNN là một mơ
hình có độ chính xác khá cao.
Độ chính xác trong bộ train là 79,166%
Kiểm tra lại bộ test nhận
định đúng 87.5%.

23

Kiểm tra lại một trường hợp cụ thể trong mẫu dataset.
Bộ test nhận định trong ảnh là apple. Đúng với nhãn đã ghi
trong bộ test.
III.4. Bàn luận
Với kết quả đạt được, bài tốn cịn được phát triển
hơn nữa để tăng độ chính xác hơn nữa. Độ chính
xác trên 80% nhưng vẫn cần cải thiện thêm bằng
cách bổ sung thêm nguồn dataset.
Thời gian nhận dạng tương đối nhanh đối với tập dữ liệu
tương đối nhỏ này. Do vậy, mong muốn cải thiện và
phát triển trong mơi trường dataset lớn hơn
Hình 19.Test

KẾT LUẬN VÀO HƯỚNG NGHIÊN CỨU TIẾP THEO
1.Kết quả đã thực hiện được
Phát biểu khái quát bài toán nhận dạng, phương pháp tiếp cận.
Khái qt được mạng CNN, mơ hình gồm các lớp nào và chi tiết trong mơ
hình. Mơ tả được phép tích chập và q trình gộp, lọc trong mạng.
Xây dựng thành cơng mơ hình CNN trên colab triển khai trên GPU thành
công trên tập dataset giới hạn.
2. Hướng nghiên cứu tiếp theo:
Với rất nhiều ứng dụng thực tế của mạng neural nhân tạo, đề tài có thể
ứng dụng cho nhiều mơ hình nghiên cứu sâu sắc hơn. Tuy nhiên, trong đề tài
chưa thể hiện được mơ hình CNN mới nhất hiện nay nên hướng nghiên cứu mới
sẽ tập trung vào việc cải thiện mơ hình, phát triển nó trong hệ thống data lớn hơn
đáp ứng nhu cầu trong tương lai.
TÀI LIỆU THAM KHẢO
1. Hough-CNN: Deep learning for segmentation of deep brain regions in
MRI and ultrasound - ScienceDirect

2. Machine Learning for Computer Vision (ed.ac.uk)

24


3. Modulation Format Recognition and OSNR Estimation Using CNN-Based
Deep Learning | IEEE Journals & Magazine | IEEE Xplore

25