Luận văn: Ứng dụng mạng Neural học sâu trong nhận dạng khuôn mặt

Luận văn về các phương pháp mạng neural học sâu tiên tiến trong nhận dạng khuôn mặt. Nghiên cứu ứng dụng thực tế và tiềm năng phát triển của công nghệ này.

• Tác giả: Nguyễn Thị Tuyết Nhi
• Người hướng dẫn: TS. Nguyễn Thị Thanh Huyền
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Toán-tin
• Đề tài: Một Số Phương Pháp Mạng Neural Học Sâu Trong Nhận Dạng Khuôn Mặt Và Ứng Dụng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• Danh sách bảng
• Danh sách hình vẽ
• TÓM TẮT NỘI DUNG LUẬN VĂN

Tóm tắt

I. Tổng Quan Về Mạng Neural Học Sâu Nhận Dạng Khuôn Mặt

Nhận dạng khuôn mặt đã trở thành một lĩnh vực nghiên cứu sôi động trong thị giác máy tính và trí tuệ nhân tạo. Sự phát triển vượt bậc của mạng neural học sâu đã mang lại những đột phá lớn trong việc giải quyết bài toán nhận dạng khuôn mặt, vượt qua nhiều thách thức trước đây. Các thuật toán nhận dạng khuôn mặt truyền thống thường dựa vào các đặc trưng được thiết kế thủ công, dễ bị ảnh hưởng bởi sự thay đổi về ánh sáng, góc nhìn và biểu cảm. Trong khi đó, mạng neural học sâu có khả năng tự động trích xuất các đặc trưng phức tạp từ dữ liệu, giúp nhận dạng khuôn mặt trở nên chính xác và mạnh mẽ hơn. Luận văn này tập trung vào việc trình bày một số phương pháp mạng neural học sâu tiêu biểu trong nhận dạng khuôn mặt và các ứng dụng nhận dạng khuôn mặt quan trọng của chúng. Sự ra đời của các kiến trúc mạng như Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), và Generative Adversarial Network (GAN) đã mở ra nhiều hướng tiếp cận mới cho bài toán nhận dạng khuôn mặt. Các mô hình như FaceNet, VGGFace, và DeepFace đã đạt được những kết quả ấn tượng trên các bộ dữ liệu lớn như LFW (Labeled Faces in the Wild) và MegaFace. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, đặc biệt là trong điều kiện ánh sáng yếu, góc nhìn thay đổi, hoặc khi khuôn mặt bị che khuất bởi khẩu trang. Nghiên cứu này mong muốn đóng góp vào sự phát triển của cộng đồng trí tuệ nhân tạo và máy học nói chung, và lĩnh vực thị giác máy tính nói riêng. Luận văn sẽ trình bày chi tiết về hai mô hình dò tìm khuôn mặt là MTCNN và RetinaFace, và hai mô hình nhận dạng khuôn mặt là FaceNet. Sự chính xác và tốc độ là hai yếu tố quan trọng trong nhận dạng khuôn mặt. Các nghiên cứu gần đây tập trung vào việc tối ưu hóa kiến trúc mạng, hàm mất mát (loss function) và phương pháp huấn luyện để cải thiện độ chính xác nhận dạng khuôn mặt và tốc độ nhận dạng khuôn mặt. Việc thu thập và xử lý dữ liệu huấn luyện nhận dạng khuôn mặt cũng đóng vai trò then chốt. Các bộ dữ liệu lớn và đa dạng giúp mô hình học được các đặc trưng tổng quát và giảm thiểu hiện tượng quá khớp (overfitting).

1.1. Tổng Quan về Bài Toán Nhận Dạng Khuôn Mặt và Thách Thức

Bài toán nhận dạng khuôn mặt bao gồm nhiều nhiệm vụ khác nhau, từ face detection (xác định vị trí khuôn mặt trong ảnh), face alignment (căn chỉnh khuôn mặt), face normalization (chuẩn hóa khuôn mặt) đến face verification (xác minh khuôn mặt) và face identification (nhận diện khuôn mặt). Mỗi nhiệm vụ này đặt ra những thách thức riêng. Chẳng hạn, face detection phải đối mặt với vấn đề khuôn mặt có thể xuất hiện ở nhiều kích cỡ, vị trí và góc nhìn khác nhau. Face verification yêu cầu mô hình có khả năng phân biệt giữa hai khuôn mặt rất giống nhau, trong khi face identification đòi hỏi mô hình phải nhận diện khuôn mặt từ một tập hợp lớn các khuôn mặt đã biết. Các yếu tố như ảnh hưởng của ánh sáng đến nhận dạng khuôn mặt và ảnh hưởng của góc nhìn đến nhận dạng khuôn mặt cũng gây ra những khó khăn đáng kể. Ngoài ra, nhận dạng khuôn mặt khi đeo khẩu trang trở thành một vấn đề cấp thiết trong bối cảnh đại dịch COVID-19. Một trong những thách thức lớn nhất là làm thế nào để xây dựng một hệ thống nhận dạng khuôn mặt hoạt động hiệu quả trong điều kiện thực tế, nơi mà khuôn mặt có thể bị che khuất, ánh sáng không ổn định, hoặc góc nhìn không thuận lợi.

1.2. Vai Trò của Mạng Neural Học Sâu trong Nhận Dạng Khuôn Mặt

Mạng neural học sâu đã chứng minh được khả năng vượt trội trong việc giải quyết các bài toán nhận dạng khuôn mặt. Thay vì dựa vào các đặc trưng được thiết kế thủ công, mạng neural học sâu có thể tự động học các đặc trưng phù hợp từ dữ liệu. Điều này cho phép mô hình thích ứng tốt hơn với sự biến đổi về ánh sáng, góc nhìn và biểu cảm. Các kiến trúc mạng như CNN được sử dụng rộng rãi để trích xuất các đặc trưng cục bộ từ khuôn mặt, trong khi RNN có thể được sử dụng để xử lý chuỗi các khung hình trong video. GAN có thể được sử dụng để tạo ra các khuôn mặt ảo, giúp tăng cường dữ liệu huấn luyện và cải thiện tínhRobustness cho mô hình. Các kỹ thuật như transfer learning và fine-tuning cho phép tận dụng các mô hình pre-trained trên các bộ dữ liệu lớn để cải thiện hiệu suất trên các bộ dữ liệu nhỏ hơn. Việc lựa chọn loss function trong nhận dạng khuôn mặt cũng đóng vai trò quan trọng. Các hàm mất mát như Softmax, SphereFace, và ArcFace được thiết kế để tối ưu hóa khoảng cách giữa các khuôn mặt khác nhau và giảm khoảng cách giữa các khuôn mặt của cùng một người.

II. Khám Phá Các Phương Pháp Nhận Dạng Khuôn Mặt Bằng CNN

Convolutional Neural Networks (CNNs) đã trở thành một trong những kiến trúc mạng phổ biến nhất trong nhận dạng khuôn mặt. Khả năng tự động trích xuất các đặc trưng từ hình ảnh của CNN cho phép xây dựng các hệ thống nhận dạng khuôn mặt mạnh mẽ và linh hoạt. Các lớp tích chập (convolutional layers) của CNN học các bộ lọc để phát hiện các đặc trưng cục bộ như cạnh, góc và kết cấu. Các lớp gộp (pooling layers) giảm kích thước của các bản đồ đặc trưng, giúp giảm thiểu số lượng tham số và tăng tính tổng quát hóa của mô hình. Các lớp kết nối đầy đủ (fully connected layers) kết hợp các đặc trưng cục bộ để đưa ra dự đoán cuối cùng. Nhiều biến thể của CNN đã được đề xuất để cải thiện hiệu suất trong nhận dạng khuôn mặt. Một số mô hình nổi tiếng bao gồm VGGface, DeepFace, và ResNet. Các mô hình này sử dụng các kiến trúc sâu hơn và phức tạp hơn để trích xuất các đặc trưng biểu diễn tốt hơn cho khuôn mặt. Việc face alignment và face normalization đóng vai trò quan trọng trong việc cải thiện hiệu suất của CNN. Căn chỉnh khuôn mặt giúp đảm bảo rằng khuôn mặt được định vị và xoay đúng cách trước khi đưa vào mạng. Chuẩn hóa khuôn mặt giúp giảm sự biến đổi về kích thước và độ sáng, giúp mô hình học được các đặc trưng tổng quát hơn. Các phương pháp feature extraction dựa trên CNN cũng rất phổ biến. Thay vì sử dụng toàn bộ CNN để dự đoán, người ta có thể sử dụng các lớp trung gian của CNN để trích xuất các đặc trưng và sử dụng các thuật toán phân loại khác để phân loại khuôn mặt.

2.1. Kiến Trúc Mạng CNN Tiêu Biểu và Các Biến Thể

Kiến trúc CNN cơ bản bao gồm các lớp tích chập, gộp và kết nối đầy đủ. Tuy nhiên, có rất nhiều biến thể của kiến trúc này được thiết kế để phù hợp hơn với bài toán nhận dạng khuôn mặt. VGGface là một trong những mô hình CNN đầu tiên được sử dụng rộng rãi trong nhận dạng khuôn mặt. VGGface sử dụng một kiến trúc sâu với nhiều lớp tích chập nhỏ và các lớp gộp tối đa. DeepFace là một mô hình CNN khác được phát triển bởi Facebook. DeepFace sử dụng một kiến trúc phức tạp hơn với nhiều nhánh và các lớp kết nối cục bộ. ResNet là một kiến trúc mạng sâu được thiết kế để giải quyết vấn đề biến mất gradient trong quá trình huấn luyện. ResNet sử dụng các kết nối tắt (skip connections) để cho phép gradient lan truyền trực tiếp từ các lớp sau đến các lớp trước. Các biến thể khác của CNN bao gồm Inception, MobileNet, và EfficientNet.

2.2. Các Kỹ Thuật Cải Thiện Hiệu Suất CNN trong Nhận Dạng Khuôn Mặt

Có nhiều kỹ thuật có thể được sử dụng để cải thiện hiệu suất của CNN trong nhận dạng khuôn mặt. Data augmentation (tăng cường dữ liệu) là một kỹ thuật phổ biến để tăng kích thước của bộ dữ liệu huấn luyện bằng cách tạo ra các biến thể của các hình ảnh hiện có. Các kỹ thuật data augmentation bao gồm xoay, lật, cắt xén, và thay đổi độ sáng. Transfer learning là một kỹ thuật cho phép tận dụng các mô hình pre-trained trên các bộ dữ liệu lớn để cải thiện hiệu suất trên các bộ dữ liệu nhỏ hơn. Fine-tuning là một kỹ thuật cho phép điều chỉnh các tham số của một mô hình pre-trained để phù hợp hơn với một nhiệm vụ cụ thể. Regularization là một kỹ thuật giúp ngăn chặn hiện tượng quá khớp (overfitting) bằng cách thêm một hình phạt vào hàm mất mát. Các kỹ thuật regularization bao gồm L1 regularization, L2 regularization, và dropout.

III. Ứng Dụng GANs Nâng Cao Chất Lượng Nhận Dạng Khuôn Mặt

Generative Adversarial Networks (GANs) là một kiến trúc mạng mạnh mẽ có thể được sử dụng để tạo ra các hình ảnh mới. GANs bao gồm hai mạng: một mạng sinh (generator) và một mạng phân biệt (discriminator). Mạng sinh cố gắng tạo ra các hình ảnh giống với dữ liệu huấn luyện, trong khi mạng phân biệt cố gắng phân biệt giữa các hình ảnh thật và các hình ảnh do mạng sinh tạo ra. GANs có thể được sử dụng để cải thiện hiệu suất của nhận dạng khuôn mặt bằng cách tạo ra các khuôn mặt ảo để tăng cường dữ liệu huấn luyện. GANs cũng có thể được sử dụng để cải thiện chất lượng của các hình ảnh khuôn mặt bị nhiễu hoặc bị che khuất. Một ứng dụng quan trọng của GANs trong nhận dạng khuôn mặt là tạo ra các khuôn mặt có độ phân giải cao từ các khuôn mặt có độ phân giải thấp. Điều này đặc biệt hữu ích trong các ứng dụng như giám sát và an ninh, nơi mà các hình ảnh khuôn mặt thường có độ phân giải thấp. GANs cũng có thể được sử dụng để tạo ra các khuôn mặt với các biểu cảm khác nhau. Điều này có thể giúp cải thiện tínhRobustness của các hệ thống nhận dạng khuôn mặt đối với sự biến đổi về biểu cảm.

3.1. GANs cho Tăng Cường Dữ Liệu và Cải Thiện Độ Chính Xác

GANs có thể được sử dụng để tạo ra các khuôn mặt ảo để tăng cường dữ liệu huấn luyện cho các hệ thống nhận dạng khuôn mặt. Bằng cách tạo ra các khuôn mặt với các biến thể khác nhau về ánh sáng, góc nhìn và biểu cảm, GANs có thể giúp mô hình học được các đặc trưng tổng quát hơn và cải thiện độ chính xác nhận dạng khuôn mặt. Một số nghiên cứu đã chỉ ra rằng việc sử dụng GANs để tăng cường dữ liệu có thể cải thiện đáng kể hiệu suất của các hệ thống nhận dạng khuôn mặt, đặc biệt là trên các bộ dữ liệu nhỏ.

3.2. Ứng Dụng GANs trong Khôi Phục Khuôn Mặt và Xử Lý Nhiễu

GANs có thể được sử dụng để khôi phục các khuôn mặt bị nhiễu hoặc bị che khuất. Bằng cách học một ánh xạ từ các khuôn mặt bị nhiễu đến các khuôn mặt sạch, GANs có thể giúp loại bỏ nhiễu và khôi phục các chi tiết bị mất. Điều này đặc biệt hữu ích trong các ứng dụng như nhận dạng khuôn mặt trong điều kiện thiếu sáng hoặc nhận dạng khuôn mặt khi đeo khẩu trang. Một số nghiên cứu đã chỉ ra rằng GANs có thể đạt được kết quả ấn tượng trong việc khôi phục khuôn mặt, vượt trội hơn các phương pháp truyền thống.

IV. Đánh Giá Hiệu Năng và Các Ứng Dụng Thực Tế

Hiệu năng của các hệ thống nhận dạng khuôn mặt thường được đánh giá trên các bộ dữ liệu chuẩn như LFW (Labeled Faces in the Wild), MegaFace, và MS-Celeb-1M. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ tin cậy, và thời gian xử lý. Độ chính xác đo lường tỷ lệ các khuôn mặt được nhận diện đúng. Độ tin cậy đo lường mức độ tin cậy của các dự đoán. Thời gian xử lý đo lường thời gian cần thiết để nhận diện một khuôn mặt. Ứng dụng nhận dạng khuôn mặt rất đa dạng và phong phú, bao gồm ứng dụng trong an ninh, ứng dụng trong chấm công, ứng dụng trong y tế, ứng dụng trong marketing, và ứng dụng trong giáo dục. Trong lĩnh vực an ninh, nhận dạng khuôn mặt có thể được sử dụng để kiểm soát truy cập, giám sát, và xác định tội phạm. Trong lĩnh vực chấm công, nhận dạng khuôn mặt có thể được sử dụng để theo dõi thời gian làm việc của nhân viên. Trong lĩnh vực y tế, nhận dạng khuôn mặt có thể được sử dụng để xác định bệnh nhân và theo dõi tình trạng sức khỏe. Trong lĩnh vực marketing, nhận dạng khuôn mặt có thể được sử dụng để cá nhân hóa trải nghiệm của khách hàng. Trong lĩnh vực giáo dục, nhận dạng khuôn mặt có thể được sử dụng để kiểm soát điểm danh và giám sát kỳ thi.

4.1. Các Bộ Dữ Liệu Chuẩn và Phương Pháp Đánh Giá Hiệu Năng

Việc đánh giá hiệu năng của các hệ thống nhận dạng khuôn mặt là rất quan trọng để so sánh các phương pháp khác nhau và xác định các điểm mạnh và điểm yếu của từng phương pháp. Có nhiều bộ dữ liệu chuẩn được sử dụng để đánh giá hiệu năng của các hệ thống nhận dạng khuôn mặt. LFW (Labeled Faces in the Wild) là một bộ dữ liệu phổ biến chứa các hình ảnh khuôn mặt được thu thập từ Internet. MegaFace là một bộ dữ liệu lớn hơn chứa hơn một triệu khuôn mặt. MS-Celeb-1M là một bộ dữ liệu rất lớn chứa hơn 10 triệu khuôn mặt. Các phương pháp đánh giá hiệu năng phổ biến bao gồm đánh giá trên giao thức tập đóng và giao thức tập mở.

4.2. Ứng Dụng Thực Tế và Triển Vọng Phát Triển của Nhận Dạng Khuôn Mặt

Các ứng dụng thực tế của nhận dạng khuôn mặt ngày càng trở nên phổ biến và đa dạng. Nhận dạng khuôn mặt trên điện thoại và nhận dạng khuôn mặt trên máy tính là những ứng dụng quen thuộc với nhiều người. Ngoài ra, nhận dạng khuôn mặt trực tiếp và nhận dạng khuôn mặt thời gian thực đang được sử dụng trong nhiều lĩnh vực khác nhau. Triển vọng phát triển của nhận dạng khuôn mặt là rất lớn. Các nghiên cứu gần đây tập trung vào việc cải thiện độ chính xác và tốc độ của các hệ thống nhận dạng khuôn mặt, cũng như giải quyết các thách thức liên quan đến bảo mật nhận dạng khuôn mặt và đạo đức nhận dạng khuôn mặt.

V. Bàn Luận Về Bảo Mật và Đạo Đức Trong Nhận Dạng Khuôn Mặt

Bảo mật nhận dạng khuôn mặt và đạo đức nhận dạng khuôn mặt là hai vấn đề quan trọng cần được xem xét khi phát triển và triển khai các hệ thống nhận dạng khuôn mặt. Các hệ thống nhận dạng khuôn mặt có thể bị tấn công bởi các tin tặc, những người có thể sử dụng các kỹ thuật như tấn công giả mạo (spoofing attack) hoặc tấn công mô hình (model attack) để đánh lừa hệ thống. Do đó, cần phải có các biện pháp bảo mật mạnh mẽ để bảo vệ các hệ thống nhận dạng khuôn mặt khỏi các cuộc tấn công. Đạo đức nhận dạng khuôn mặt liên quan đến các vấn đề như quyền riêng tư, phân biệt đối xử, và trách nhiệm giải trình. Các hệ thống nhận dạng khuôn mặt có thể được sử dụng để theo dõi và giám sát mọi người, điều này có thể vi phạm quyền riêng tư của họ. Các hệ thống nhận dạng khuôn mặt cũng có thể bị thiên vị, dẫn đến phân biệt đối xử đối với một số nhóm người nhất định. Do đó, cần phải có các quy định và chính sách rõ ràng để đảm bảo rằng các hệ thống nhận dạng khuôn mặt được sử dụng một cách công bằng và có trách nhiệm.

5.1. Rủi Ro Bảo Mật và Các Biện Pháp Phòng Ngừa

Các hệ thống nhận dạng khuôn mặt có thể bị tấn công bởi nhiều loại tấn công khác nhau, bao gồm tấn công giả mạo, tấn công mô hình, và tấn công từ chối dịch vụ. Tấn công giả mạo là một loại tấn công trong đó kẻ tấn công sử dụng một hình ảnh hoặc video giả mạo để đánh lừa hệ thống. Tấn công mô hình là một loại tấn công trong đó kẻ tấn công cố gắng sửa đổi mô hình nhận dạng khuôn mặt để làm cho nó hoạt động sai. Tấn công từ chối dịch vụ là một loại tấn công trong đó kẻ tấn công cố gắng làm cho hệ thống không khả dụng cho người dùng hợp pháp. Các biện pháp phòng ngừa bao gồm sử dụng các kỹ thuật phát hiện tấn công giả mạo, bảo vệ mô hình nhận dạng khuôn mặt khỏi các cuộc tấn công, và triển khai các biện pháp bảo mật mạng.

5.2. Các Vấn Đề Đạo Đức và Hướng Giải Quyết

Các vấn đề đạo đức liên quan đến nhận dạng khuôn mặt bao gồm quyền riêng tư, phân biệt đối xử, và trách nhiệm giải trình. Quyền riêng tư là quyền của mỗi người được kiểm soát thông tin cá nhân của họ. Các hệ thống nhận dạng khuôn mặt có thể thu thập và lưu trữ thông tin cá nhân về mọi người, điều này có thể vi phạm quyền riêng tư của họ. Phân biệt đối xử là việc đối xử khác biệt với một số nhóm người nhất định dựa trên các đặc điểm như chủng tộc, giới tính, hoặc tôn giáo. Các hệ thống nhận dạng khuôn mặt có thể bị thiên vị, dẫn đến phân biệt đối xử. Trách nhiệm giải trình là nghĩa vụ của các nhà phát triển và người sử dụng các hệ thống nhận dạng khuôn mặt phải chịu trách nhiệm về các hậu quả của việc sử dụng các hệ thống này. Hướng giải quyết bao gồm xây dựng các quy định và chính sách rõ ràng để bảo vệ quyền riêng tư, ngăn chặn phân biệt đối xử, và đảm bảo trách nhiệm giải trình.

VI. Kết Luận và Hướng Nghiên Cứu Phát Triển Trong Tương Lai

Luận văn đã trình bày một số phương pháp mạng neural học sâu tiêu biểu trong nhận dạng khuôn mặt và các ứng dụng quan trọng của chúng. Mạng neural học sâu đã mang lại những đột phá lớn trong lĩnh vực này, vượt qua nhiều thách thức trước đây và đạt được những kết quả ấn tượng. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết, đặc biệt là trong điều kiện ánh sáng yếu, góc nhìn thay đổi, hoặc khi khuôn mặt bị che khuất. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các kiến trúc mạng mới, các hàm mất mát hiệu quả hơn, và các phương pháp huấn luyện mạnh mẽ hơn. Các nghiên cứu cũng có thể tập trung vào việc giải quyết các vấn đề liên quan đến bảo mật và đạo đức của nhận dạng khuôn mặt.

6.1. Tóm Tắt Các Kết Quả Nghiên Cứu và Đóng Góp

Luận văn đã trình bày tổng quan về các phương pháp học sâu cho nhận dạng khuôn mặt, tập trung vào các kiến trúc CNN và GAN, đánh giá hiệu năng và bàn luận về các vấn đề đạo đức. Luận văn đóng góp vào việc tổng hợp và phân tích các nghiên cứu hiện có, cung cấp cái nhìn toàn diện về lĩnh vực này.

6.2. Hướng Nghiên Cứu Tiềm Năng và Ứng Dụng Mới

Các hướng nghiên cứu tiềm năng bao gồm nhận dạng khuôn mặt 3D, nhận dạng khuôn mặt trong điều kiện thiếu sáng, nhận dạng khuôn mặt khi đeo khẩu trang, và phát triển các hệ thống nhận dạng khuôn mặt an toàn và đáng tin cậy hơn. Các ứng dụng mới có thể bao gồm nhận dạng khuôn mặt trong thực tế ảo và thực tế tăng cường, nhận dạng khuôn mặt trong robot, và nhận dạng khuôn mặt trong các thiết bị IoT.

Trích đoạn nội dung tài liệu

TRUONG DAI IIQC BACH KIIOA IIA NOL stor LUẬN VĂN THẠC SĨ Một số phương pháp mạng Neural học sâu NIL-NYOL trong nhận dạng khuôn mặt và ứng dụng NGUYEN THI TUYET NHI THN 190.1 IHL SYANON nguycunhiakt£@gmail.com Ngành Toán-tin Giảng viên hướng dẫn: TS. Nguyễn Thị Thánh Huyền TrED6tg2 Viện: Toán ứng đựng và Tin học HANOI, 9/2020 TRUONG BAI HOC BACH KHOA HÀ NOI LUẬN VĂN THẠC SĨ A & 5 A Mot so phương pháp mạng Neural hoc sau trong nhận dạng khuôn mặt và ứng dụng NGUYỄN TII TUYẾT NI nguyennhiaktf@email com Ngành Tuán-tin Giảng viên hưởng dẫn: TS. Thanh Huyền e ° mg y Chữ ký của GVHD. Viện: Toán ứng dung va Tin hoc HÀ NỘI, 9/2020 LỜI CẢM ƠN “Trước khi trình bày nội dung chính của đồ án, tối xin bày tỏ lòng biết ơn sâu sắc đến T8.

Nguyễn Thị Thanh Huyền, người đã tận tình hướng dẫn tôi trong suốt quá trình Kum luận văn. Qua day, tai cing xin bày tổ lòng biết ơn chân thành tới toàn thể các thầy cô giáo trong bộ mân toán tin, viện toán ứng dụng và tin hoe, Dại Học Bách Khoa Hà Nội đã nhiệt tình hướng dẫn, đồng lành cùng tôi trong quá trình họe tập và nghiên cứu. "Tôi cũng xin gửi lời cảm ơn đến Công ty TNIIIT LG Trleetronics Việt Nann Hải Phòng, các đồng nghiệp đã tao điều kiện tốt nhất, cho tôi trong quá trình nghiên cứu và hoàn thành luận vấn của mình. “Tôi cũng xin được gửi lời cảm ơn chân thành tới gia đình, bạn bè đã.

luôn bên tôi, cổ vũ, động viên, giúp đỡ tôi trong suốt quá trình học lập nghiền cứu. đà Nội, ngày 25 tháng 05 năm 2020 Sinh viên Nguyễn Thị Tuyết Nhi Danh sách bảng pa So sánh ranh giới quyết định của ba loại hàm mất mát softmaxB2 I.17 Ma trận Confusion chưa chuẩn hóa|.18 Ma tran Confusion da chuan héa] .19 Cac gid tri TP, FN, FP, TN VER Ee wR 8 9 lồ M8 3 34 pa Hình ảnh trực quan mô tả các quá trình của mô hình MTCNNB7 0.2 Mô hình mạng MTCNN|. Kiến trúc mạng P-Net|.4 Kien trúc mạng R-Netll. Hiến,trúo thang ÔO NGHỆ we acne ss ewe en ee ee 42 2.6 (a) Đánh giá trên FDDB.

(b-d) Dánh giá trên ba tap con ợ tia WIDER FACE. So liệu đi kèm mỗi phương pháp là độ chính xác trung bình. (e) Đánh giá trên AFLW cho căn chỉnh mặt NỈ š 3 3vu#Á02upš SE Gata USE Mad! 5 š &e xã 43 2.7 Dò tìm và đánh dâu khuôn mặt băng MTƠNN|. 44 pom RNS BM Wome wm 45 2.9 Cách hoạt động của kim tự tháp WW.

6 ee ete 47 Ì ninh HH g A2 uyDIgE wf a ay sean 48 2.12 Hình mình họa tỷ lệ loU|.13 Kiến trúc mạng RetinaFace |3Ì. 50 ees 51 mm 52 ky hà nh hư nà 53 2.18 Giao thức tập đóng và giao thức tập mở 2.19 Hình mình họa ba loại hàm mất mát softmax| .20 Quá trình huấn luyện và kiểm thử SphereFace| nh, 6 202454 62 2.21 Kiến trúc mạng nơ-ron tích chập CNNs với nhiều lớp tích chap khác nhan| GR BS AMIER E BBR OAS BB aS 63 2.22 Hinh anh truce quan cho kết quả học đặc trưng với những giá trị khác nhau của tham số m|.- 64 B23 Độ chính xác trên LEW và YTF với số lượng lớp nơ-ron tích chap khác nhau D.24 So sánh kết quả SphereFace với một số phương pháp khác}.19 Hình mình họa ba loại hàm mất mát softmax| .20 Quá trình huấn luyện và kiểm thử SphereFace| nh, 6 202454 62 2.21 Kiến trúc mạng nơ-ron tích chập CNNs với nhiều lớp tích chap khác nhan| GR BS AMIER E BBR OAS BB aS 63 2.22 Hinh anh truce quan cho kết quả học đặc trưng với những giá trị khác nhau của tham số m|.- 64 B23 Độ chính xác trên LEW và YTF với số lượng lớp nơ-ron tích chap khác nhau D.24 So sánh kết quả SphereFace với một số phương pháp khác}.17 Ma trận Confusion chưa chuẩn hóa|.18 Ma tran Confusion da chuan héa] .19 Cac gid tri TP, FN, FP, TN VER Ee wR 8 9 lồ M8 3 34 pa Hình ảnh trực quan mô tả các quá trình của mô hình MTCNNB7 0.2 Mô hình mạng MTCNN|. Kiến trúc mạng P-Net|.4 Kien trúc mạng R-Netll. Hiến,trúo thang ÔO NGHỆ we acne ss ewe en ee ee 42 2.6 (a) Đánh giá trên FDDB.

(b-d) Dánh giá trên ba tap con ợ tia WIDER FACE. So liệu đi kèm mỗi phương pháp là độ chính xác trung bình. (e) Đánh giá trên AFLW cho căn chỉnh mặt NỈ š 3 3vu#Á02upš SE Gata USE Mad! 5 š &e xã 43 2.7 Dò tìm và đánh dâu khuôn mặt băng MTƠNN|. 44 pom RNS BM Wome wm 45 2.9 Cách hoạt động của kim tự tháp WW.

6 ee ete 47 Ì ninh HH g A2 uyDIgE wf a ay sean 48 2.12 Hình mình họa tỷ lệ loU|.13 Kiến trúc mạng RetinaFace |3Ì. 50 ees 51 mm 52 ky hà nh hư nà 53 2.18 Giao thức tập đóng và giao thức tập mở 1.|Thuật toán học Perceptron| .|Mạng nơ-ron học sâ I.17 Ma trận Confusion chưa chuẩn hóa|.18 Ma tran Confusion da chuan héa] .19 Cac gid tri TP, FN, FP, TN VER Ee wR 8 9 lồ M8 3 34 pa Hình ảnh trực quan mô tả các quá trình của mô hình MTCNNB7 0.2 Mô hình mạng MTCNN|. Kiến trúc mạng P-Net|.4 Kien trúc mạng R-Netll. Hiến,trúo thang ÔO NGHỆ we acne ss ewe en ee ee 42 2.6 (a) Đánh giá trên FDDB.

(b-d) Dánh giá trên ba tap con ợ tia WIDER FACE. So liệu đi kèm mỗi phương pháp là độ chính xác trung bình. (e) Đánh giá trên AFLW cho căn chỉnh mặt NỈ š 3 3vu#Á02upš SE Gata USE Mad! 5 š &e xã 43 2.7 Dò tìm và đánh dâu khuôn mặt băng MTƠNN|. 44 pom RNS BM Wome wm 45 2.9 Cách hoạt động của kim tự tháp WW.

6 ee ete 47 Ì ninh HH g A2 uyDIgE wf a ay sean 48 2.12 Hình mình họa tỷ lệ loU|.13 Kiến trúc mạng RetinaFace |3Ì. 50 ees 51 mm 52 ky hà nh hư nà 53 2.18 Giao thức tập đóng và giao thức tập mở Danh sách hình vẽ A) Hàm SIMO) cs ys cu 6 6g v2 RDS 15 |I.5_ Mô hình phân loại nhiều lóp|.- 17 tá khớp và tác hại của nó| 18 [7 Dùng tập kiểm tra đề ngăn hiện tượng.8 So sánh giữa hàm Cross-Entropy và hàm bình phươn; khoảng cách. Các châm tròn in đậm thể hiện các giá trị 1.9 Thuật toán học Perceptron|. 23 [10 Hinh minh hoa kết quả chạy Thuật toán học Perceptron|.16 Kiến trúc mạng nơ-ron tích chập|.- 31 TÓM TẮT NỘI DUNG LUẬN VĂN Taận văn bao gồm các phần nội dung chính: Phần cơ sở lý thuyết cần thiết về toán, máy học, mạng neural, mạng neural tích chập trong xử lý ảnh và các phương pháp đánh giá mỡ hình.

Phần Ứng dụng Lác giả tận trung trình bày những nghiên cứu và tìm hiển về bốn mõ hình mạng. Bao gồm hai mô hình dò tìm khuôn mặt là mô hình WTCNN và mé hinh RetinaFace, và hai mö hình nhận dạng khuôn mặt, bao gồm Faconet. Qua nhimg tim hiển và tổng hợp dượe trình bày trong luận văn, tác giả hy vọng có thể đóng góp một phần nào đó cha cộng đồng trí Luệ nhân tạo và máy học nói chung, cũng như trong lĩnh vực thị giác mấy tính cũng như nhận dạng khuôn mặt nói riêng.19 Hình mình họa ba loại hàm mất mát softmax| .20 Quá trình huấn luyện và kiểm thử SphereFace| nh, 6 202454 62 2.21 Kiến trúc mạng nơ-ron tích chập CNNs với nhiều lớp tích chap khác nhan| GR BS AMIER E BBR OAS BB aS 63 2.22 Hinh anh truce quan cho kết quả học đặc trưng với những giá trị khác nhau của tham số m|.- 64 B23 Độ chính xác trên LEW và YTF với số lượng lớp nơ-ron tích chap khác nhau D.24 So sánh kết quả SphereFace với một số phương pháp khác}. 65 Danh sách hình vẽ A) Hàm SIMO) cs ys cu 6 6g v2 RDS 15 |I.5_ Mô hình phân loại nhiều lóp|.- 17 tá khớp và tác hại của nó| 18 [7 Dùng tập kiểm tra đề ngăn hiện tượng.8 So sánh giữa hàm Cross-Entropy và hàm bình phươn; khoảng cách.

Các châm tròn in đậm thể hiện các giá trị 1.9 Thuật toán học Perceptron|. 23 [10 Hinh minh hoa kết quả chạy Thuật toán học Perceptron|.16 Kiến trúc mạng nơ-ron tích chập|.|Thuật toán học Perceptron| .|Mạng nơ-ron học sâ 2.19 Hình mình họa ba loại hàm mất mát softmax| .20 Quá trình huấn luyện và kiểm thử SphereFace| nh, 6 202454 62 2.21 Kiến trúc mạng nơ-ron tích chập CNNs với nhiều lớp tích chap khác nhan| GR BS AMIER E BBR OAS BB aS 63 2.22 Hinh anh truce quan cho kết quả học đặc trưng với những giá trị khác nhau của tham số m|.- 64 B23 Độ chính xác trên LEW và YTF với số lượng lớp nơ-ron tích chap khác nhau D.24 So sánh kết quả SphereFace với một số phương pháp khác}.17 Ma trận Confusion chưa chuẩn hóa|.18 Ma tran Confusion da chuan héa] .19 Cac gid tri TP, FN, FP, TN VER Ee wR 8 9 lồ M8 3 34 pa Hình ảnh trực quan mô tả các quá trình của mô hình MTCNNB7 0.2 Mô hình mạng MTCNN|. Kiến trúc mạng P-Net|.4 Kien trúc mạng R-Netll. Hiến,trúo thang ÔO NGHỆ we acne ss ewe en ee ee 42 2.6 (a) Đánh giá trên FDDB.

(b-d) Dánh giá trên ba tap con ợ tia WIDER FACE. So liệu đi kèm mỗi phương pháp là độ chính xác trung bình. (e) Đánh giá trên AFLW cho căn chỉnh mặt NỈ š 3 3vu#Á02upš SE Gata USE Mad! 5 š &e xã 43 2.7 Dò tìm và đánh dâu khuôn mặt băng MTƠNN|. 44 pom RNS BM Wome wm 45 2.9 Cách hoạt động của kim tự tháp WW.

6 ee ete 47 Ì ninh HH g A2 uyDIgE wf a ay sean 48 2.12 Hình mình họa tỷ lệ loU|.13 Kiến trúc mạng RetinaFace |3Ì. 50 ees 51 mm 52 ky hà nh hư nà 53 2.18 Giao thức tập đóng và giao thức tập mở Danh sách hình vẽ A) Hàm SIMO) cs ys cu 6 6g v2 RDS 15 |I.5_ Mô hình phân loại nhiều lóp|.- 17 tá khớp và tác hại của nó| 18 [7 Dùng tập kiểm tra đề ngăn hiện tượng.8 So sánh giữa hàm Cross-Entropy và hàm bình phươn; khoảng cách. Các châm tròn in đậm thể hiện các giá trị 1.9 Thuật toán học Perceptron|. 23 [10 Hinh minh hoa kết quả chạy Thuật toán học Perceptron|.16 Kiến trúc mạng nơ-ron tích chập|.- 31 Danh sách hình vẽ A) Hàm SIMO) cs ys cu 6 6g v2 RDS 15 |I.5_ Mô hình phân loại nhiều lóp|.- 17 tá khớp và tác hại của nó| 18 [7 Dùng tập kiểm tra đề ngăn hiện tượng.8 So sánh giữa hàm Cross-Entropy và hàm bình phươn; khoảng cách.

Các châm tròn in đậm thể hiện các giá trị 1.9 Thuật toán học Perceptron|. 23 [10 Hinh minh hoa kết quả chạy Thuật toán học Perceptron|.16 Kiến trúc mạng nơ-ron tích chập|.