BÁO cáo bài tập lớn đề tài DANH bạ điện THOẠI

xTRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

TRƯỜNG ĐIỆN - ĐIỆN TỬ

BÁO CÁO

BÀI TẬP LỚN
Đề tài:

DANH BẠ ĐIỆN THOẠI
Sinh viên thực hiện: TRẦN MINH HIỂN
Lớp CTTT Hệ thống Nhúng và IoT 01-K64
Giảng viên hướng dẫn: PGS.TS. TRẦN THỊ THANH HẢI

Hà Nội, 01-2022

MỤC LỤC
Lời nói đầu.............................................................

1


2


CHƯƠNG 1. GIỚI THIỆU CHUNG (6
trang)
MỘT SỐ LƯU Ý
1. Độ dài: không quá 25 trang (không kể mục lục, danh sách hình, bảng biểu, tham
khảo)
2. Hình vẽ, bảng biểu phải được tham chiếu tự động

3. Các tài liệu, hình vẽ liên quan phải được trích dẫn và đưa vào danh sách tài liệu
tham khảo
4. Các hình vẽ, bảng biểu phải được đánh chỉ mục một cách tự động (sử dụng
references)
5. Mục lục, bảng biểu, hình vẽ phải được cập nhật tự động
6. Tài liệu tham khảo: sử dụng phần mềm Endnote hoặc Zotero để quản lý và chèn
tài liệu tham khảo tự động.

1.1Giới thiệu về chủ đề
Giới thiệu bài toán (đầu vào, đầu ra)
Các thách thức / khó khăn của bài tốn
Các ứng dụng chính của bài tốn
(1-2 trang)

1.2Một số nghiên cứu liên quan
Các nghiên cứu , sản phẩm thương mại đã có trên thế giới và trong nước
(2 trang)

1.3Mục tiêu của đề tài
(các nội dung cần đạt được)
0,5 trang

1.4Phương pháp đề xuất
(vẽ sơ đồ chung của của pp đề xuất)
1 trang

3


1.5Phân chia nhiệm vụ trong nhóm

(ai phụ trách cơng việc gì)
1 trang

4


CHƯƠNG 2. CƠ SỞ DỮ LIỆU (6
trang)
2.1Dữ liệu thử nghiệm (3 trang)
Giới thiệu CSDL mà nhóm sẽ sử dụng trong khuôn khổ của BTL
2.1.1Dữ liệu 1
-

Giới thiệu lớp dữ liệu
Nguồn
Mục đích
Phân tích tính chất của CSDL

2.1.2 Dữ liệu 2

2.2Phương pháp và độ đo đánh giá (1 trang)
-

Cách chia dữ liệu để huấn luyện / thử nghiệm
Độ đo đánh giá: Độ chính xác, Độ triệu hồi, F1-score, v.v.

2.3Các nghiên cứu đã có trên CSDL (2 trang)
- năng
Các nghiên
cứu

có và
họ đã
Hiệu
của pp
đãđãđạt
được
ra đánh
sao giá trên CSDL này như thế nào ?

5


CHƯƠNG 3. PHƯƠNG PHÁP THỰC HIỆN (8-10
trang)
3.1Phương pháp đề xuất
Trình bày các phương pháp mà nhóm đã lựa chọn để giải quyết mục tiêu
Phần này trình bày sơ lược lý thuyết của pp

3.2Cài đặt thử nghiệm
3.2.1Môi trường cài đặt
3.2.2 Triển khai cài đặt
3.2.3 Huấn luyện mơ hình

3.3Thực nghiệm
3.3.1

Đánh giá định lượng

Đưa bảng biểu, số liệu thể hiện độ đô hiệu năng của pp em cài đặt tren các CSDL lựa
chọn

3.3.2

Phân tích định tính

Lựa
tốt
/ chọn
chưa
các
tốtphân
ví dụtích
tốt,và
các
ví thích
dụ tồilýđểdominh
phương pháp của mình
ở
điểm
nào,
giải
nếu hoạ
có thể.

6


CHƯƠNG 4. KẾT LUẬN (2 trang)
4.1Kết luận
Các công việc đã đạt được so với mục tiêu đề ra

4.2Hướng phát triển
Các thiếu sót, tồn tại của hệ thống và một số ý tưởng để phát triển trong tương lai

4.3Kiến nghị, đề xuất
4.3.1Đối với bài tập lớn

Đối với môn học

7


TÀI LIỆU THAM KHẢO
[1] last accessed at 14:57 on June 24, 2021.
[2] Qing Chen, El-Sawah A., Joslin C., et al. (2005). A dynamic gesture interface
for virtualenvironments based on hidden markov models. IEEE, 109-114, 109114.
[3] Chen X. and Koskela M. (2013). Online RGB-D gesture recognition with
extreme learning machines. ACM Press, 467-474, 467-474.
[4] Doan H.-G., Vu H., and Tran T.-H. (2017). Dynamic hand gesture recognition
from cyclical hand pattern. IEEE, 97-100, 97-100.
[5] Burges C.J.C. (1998). A Tutorial on Support Vector Machines for Pattern
Recognition. Data Min Knowl Discov, 2(2), 121-167.
[6] Gkioxari G., Girshick R., and Malik J. (2015). Contextual Action Recognition
with R*CNN. IEEE, 1080-1088, 1080-1088.
[7] Cheron G., Laptev I., and Schmid C. (2015). P-CNN: Pose-Based CNN
Features for Action Recognition. IEEE, 3218-3226, 3218-3226.
[8] Simonyan K. and Zisserman A. Two-Stream Convolutional Networks for Action
Recognition in Videos. 9.
[9] Ji S., Xu W., Yang M., et al. (2013). 3D Convolutional Neural Networks for
Human Action Recognition. IEEE Trans Pattern Anal Mach Intell, 35(1), 221231.
[10] Bishop C.M. (2006), Pattern recognition and machine learning, Springer,

New York.
[11] Becker S. and Lecun Y. (1989). Improving the convergence of backpropagation learning with second-order methods. Proc 1988 Connect Models
Summer Sch San
Mateo.
[12] Brox T., Bruhn A., Papenberg N., et al. (2004). High Accuracy Optical Flow
Estimation Based on a Theory for Warping. Computer Vision - ECCV 2004.
Springer Berlin Heidelberg, Berlin, Heidelberg, 25-36.
[13] last accessed at 22:35 on June 17, 2021.
[14] https://www. kaggle. com/phamdinhkhanh/convolutional-neural-network-p1,
last
accessed at 15:31 on June 14, 2021.
[15] />accessed

last


at 17:31 on June 18, 2021.