Tóm tắt Luận văn Thạc sĩ Kỹ Thuật: Nghiên cứu về mạng Nơron tích chập và ứng dụng cho bài toán nhận dạng biển số xe

Kết cấu nội dung của Luận văn này gồm 3 chương: Chương 1 - Mạng nơron và mạng nơron tích chập; Chương 2 - Tổng quan về nhận dạng biển số xe; Chương 3 - Áp dụng mạng nơron tích chập trong nhận dạng ký tự. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận văn Thạc sĩ Kỹ Thuật: Nghiên cứu về mạng Nơron tích chập và ứng dụng cho bài toán nhận dạng biển số xe HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG --------------------------------------- Nguyễn Thế QuyềnNGHIÊN CỨU VỀ MẠNG NƠRON TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE Chuyên ngành : KHOA HỌC MÁY TÍNH Mã số : 8.48.01.01 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI - NĂM 2020 Luận văn được hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNGNgười hướng dẫn khoa học: TS. PHẠM HOÀNG DUYPhản biện 1:………………………………………………………………………...Phản biện 2:………………………………………………………………………...Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tạiHọc viện Công nghệ Bưu chính Viễn thôngVào lúc: ....... giờ ....... ngày ....... tháng ......... năm 2020Có thể tìm hiểu luận văn tại: - Thư viện của Học viện Công nghệ Bưu chính Viễn thông 1 PHẦN MỞ ĐẦU Deep Learning là một thuật toán dựa trên một số ý tưởng từ não bộ tớiviệc tiếp thu nhiều tầng biểu đạt, cả cụ thể lẫn trừu tượng, qua đó làm rõ nghĩacủa các loại dữ liệu. Deep Learning được ứng dụng trong nhận diện hình ảnh,nhận diện giọng nói, xử lý ngôn ngữ tự nhiên Hiện nay rất nhiều các bài toán nhận dạng sử dụng deep learning để giảiquyết do deep learning có thể giải quyết các bài toán với số lượng lớn, kíchthước đầu vào lớn với hiệu năng cũng như độ chính xác vượt trội so với cácphương pháp phân lớp truyền thống. Những năm gần đây, ta đã chứng kiến được nhiều thành tựu vượt bậctrong ngành Thị giác máy tính (Computer Vision). Các hệ thống xử lý ảnh lớnnhư Facebook, Google hay Amazon đã đưa vào sản phẩm của mình những chứcnăng thông minh như nhận diện khuôn mặt người dùng, phát triển xe hơi tự láihay drone giao hàng tự động. Convolutional Nơron Network (CNNs – Mạng nơ-ron tích chập) là mộttrong những mô hình Deep Learning tiên tiến giúp cho chúng ta xây dựng đượcnhững hệ thống thông minh với độ chính xác cao như hiện nay. Trong luận văncao học này, em đi vào nghiên cứu về mạng nơron cũng như mạng Convolution(tích chập) cũng như ý tưởng của mô hình CNNs trong phân lớp ảnh (ImageClassification), và áp dụng trong việc xây dựng hệ thống nhận dạng biển số xetự động. Nội dung bài báo cáo bao gồm 3 chương. Chương 1: Mạng nơron và mạng nơron tích chập. Chương 2: Tổng quan về nhận dạng biển số xe. Chương 3: Áp dụng mạng nơron tích chập trong nhận dạng ký tự Phần kết luận tóm tắt lại các nội dung đã đạt được của luận văn, và nêu lên một số gợi ý về hướng phát triển tiếp theo của luận văn. 2 CHƢƠNG 1. MẠNG NƠRON VÀ MẠNG NƠRON TÍCH CHẬP 1.1. Giới thiệu về mạng nơron Định nghĩa: Mạng nơron nhân tạo, Artificial Nơron Network (ANN) là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó được tạo nên từ một số lượng lớn các phần tử (nơron) kết nối với nhau thông qua các liên kết (trọng số liên kết) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu,...) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron. Cấu trúc nơron nhân tạo: Hình 1-1. Cấu tạo một Nơron Các thành phần cơ bản của một nơron nhân tạo bao gồm: Tập các đầu vào: Là các tín hiệu vào (input signals) của nơron, các tín hiệunày thường được đưa vào dưới dạng một vector N chiều. Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số liên kết –Synaptic weight. Trọng số liên kết giữa tín hiệu vào thứ j với nơron k thường đượcký hiệu là wkj. Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ởthời điểm khởi tạo mạng và được cập nhập liên tục trong quá trình học mạng. 3 Bộ tổng (Summing function): Thường dùng để tính tổng của tích các đầu vàovới trọng số liên kết của nó. Ngưỡng (còn gọi là một độ lệch - bias): Ngưỡng này thường được đưa vàonhư một thành phần của hàm truyền. 4 Hàm truyền (Transfer function): Hàm này được dùng để giới hạn phạm vi đầura của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng. Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa là mộtđầu ra. Xét về mặt toán học, cấu trúc của một nơron k, được mô tả bằng cặp biểuthức sau: Trong đó: x1, x2, ..., xp: là các tín hiệu vào; (wk1, wk2,..., wkp) là các trọng số liên kết của nơron thứ k; uk là hàm tổng; bk là một ngưỡng; f là hàm truyền và yk là tín hiệu đầu ra của nơron. Như vậy nơron nhân tạo nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả tới hàm truyền), và cho một tín hiệu đầu ra ( là kết quả của hàm truyền). 5 Bảng 1.1. Một số hàm truyền thông dụngHàm truyền Đồ thị Định nghĩa Hàm này cũng được biết đến với tên Hàm ngưỡng (Threshold function hay Heaviside function). Đầu ra củaSymmetrical hàm này được giới hạn vào mộtHard Limit trong hai giá trị:(hardlims) Nếu coi các đầu vào là một đơn vị thì ...