I. Nhận diện khuôn mặt Face Detection và Nhận dạng giới tính Gender Recognition
Đồ án tốt nghiệp HCMUTE tập trung vào nhận dạng giới tính qua hình ảnh, dựa trên công nghệ nhận diện khuôn mặt. Đây là một ứng dụng quan trọng của xử lý ảnh và công nghệ nhận diện. Quá trình này bao gồm các bước: phát hiện khuôn mặt trong ảnh, tách chiết đặc trưng, và phân loại ảnh. Thuật toán nhận dạng được sử dụng đóng vai trò then chốt trong độ chính xác của hệ thống. OpenCV, Python, và các thư viện học sâu như TensorFlow hay PyTorch thường được dùng trong các ứng dụng này. Độ chính xác của hệ thống là một yếu tố quan trọng cần được đánh giá cẩn thận. Việc lựa chọn bộ dữ liệu hình ảnh chất lượng cao ảnh hưởng trực tiếp đến hiệu quả của mô hình. HCMUTE, với vai trò là trường đại học công nghệ TP.HCM, tạo điều kiện thuận lợi cho sinh viên phát triển các dự án ứng dụng công nghệ tiên tiến như trí tuệ nhân tạo (AI).
1.1. Kỹ thuật Tách chiết đặc trưng Feature Extraction
Kỹ thuật tách chiết đặc trưng đóng vai trò trung tâm trong nhận dạng giới tính từ hình ảnh. Học máy cung cấp nhiều phương pháp để trích xuất các đặc điểm từ ảnh khuôn mặt, như hình dạng, cấu trúc, và kết cấu. Các phương pháp truyền thống thường dựa trên phân tích hình ảnh. Tuy nhiên, sự ra đời của mạng nơ-ron và học sâu (deep learning) đã mang lại bước đột phá. Mạng nơ-ron có khả năng tự học và trích xuất những đặc điểm phức tạp, nâng cao chính xác độ nhận dạng. Các kiến trúc mạng nơ-ron phổ biến như CNN (Convolutional Neural Network) được sử dụng rộng rãi. Mô hình máy học được huấn luyện trên một tập dữ liệu lớn, giúp mô hình học cách phân biệt đặc điểm khuôn mặt nam và nữ. Khó khăn nằm ở việc xử lý ảnh với chất lượng kém, góc chụp khác nhau, và biểu cảm khuôn mặt đa dạng. Sinh trắc học cũng là một lĩnh vực liên quan, khai thác thông tin sinh học để nhận dạng cá nhân.
1.2. Xây dựng và Đào tạo mô hình Machine Learning Model
Sau khi tách chiết đặc trưng, bước tiếp theo là xây dựng và đào tạo mô hình. Chọn mô hình máy học phù hợp là rất quan trọng. Mạng nơ-ron là lựa chọn phổ biến do khả năng học các đặc trưng phức tạp. Deep learning giúp tối ưu hóa quá trình này. Việc đào tạo mô hình cần một bộ dữ liệu lớn, đa dạng, và được chú thích cẩn thận. Phương pháp huấn luyện cần được lựa chọn kỹ lưỡng để tránh hiện tượng quá khớp (overfitting) hoặc thiếu khớp (underfitting). Xử lý dữ liệu và kỹ thuật số hóa đóng vai trò quan trọng. Các thuật toán tối ưu như thuật toán nhận dạng cần được cân nhắc. Phân loại ảnh được thực hiện dựa trên các đặc trưng đã được trích xuất. Quá trình này đòi hỏi sự tối ưu hóa liên tục để đạt được chính xác độ cao nhất. Công nghệ kỹ thuật số ngày càng phát triển cho phép xây dựng mô hình phức tạp hơn.
1.3. Đánh giá mô hình và Ứng dụng thực tiễn
Sau khi hoàn thành quá trình đào tạo mô hình, bước cuối cùng là đánh giá mô hình. Đánh giá mô hình bao gồm việc đo lường chính xác độ, độ nhạy, và độ đặc hiệu. Các chỉ số đánh giá như precision, recall, F1-score được sử dụng. Đồ án tốt nghiệp cần trình bày rõ ràng kết quả đánh giá và phân tích các yếu tố ảnh hưởng đến hiệu suất. Mô hình máy học được đánh giá dựa trên bộ dữ liệu kiểm thử. Những hạn chế của mô hình cần được chỉ ra. Ứng dụng thực tiễn của nhận dạng giới tính rất rộng rãi, từ ứng dụng nhận diện khuôn mặt trong an ninh đến phân tích thị trường, cá nhân hóa trải nghiệm người dùng, và nhiều lĩnh vực khác. Phân tích hình ảnh được ứng dụng rộng rãi trong nhiều ngành. Computer vision là một lĩnh vực đang phát triển mạnh mẽ.
