0

Hệ thống nhận diện vật thể trên đường sử dụng mạng capsule

45 1 0
  • Hệ thống nhận diện vật thể trên đường sử dụng mạng capsule

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 12/05/2022, 10:58

I H C QU C GIA TP.HCM TR NG I H C BÁCH KHOA NGUY N H U NHÂN H TH NG NH N DI N V T TH TRÊN S D NG M NG CAPSULE Chuyên ngành: K thu t n t Mã s : 8520203 LU N V N TH C S TP H CHÍ MINH, tháng 01 n m 2022 NG Cơng trình đ Cán b h c hoàn thành t i: Tr ng d n khoa h c: TS Tr ng i h c Bách Khoa – HQG-HCM ng Quang Vinh Cán b ch m nh n xét 1: TS Bùi Tr ng Tú Cán b ch m nh n xét 2: TS Hu nh Phú Minh C Lu n v n th c s đ c b o v t i Tr ng ng i h c Bách Khoa, HQG Tp HCM ngày 16 tháng 01 n m 2022 Thành ph n H i đ ng đánh giá lu n v n th c s g m: Ch t ch: PGS.TS Hoàng Trang Th kí: TS Nguy n Lý Thiên Tr ng Ph n bi n 1: TS Hu nh Phú Minh C ng Ph n bi n 2: TS Bùi Tr ng Tú y viên: TS Tr n Hoàng Linh Xác nh n c a Ch t ch H i đ ng đánh giá LV Tr lu n v n đ ng Khoa qu n lý chuyên ngành sau c s a ch a (n u có) CH T CH H I PGS.TS Hồng Trang NG TR NG KHOA I N I N T I H C QU C GIA TP.HCM TR NG C NG HÒA XÃ H I CH NGH A VI T NAM I H C BÁCH KHOA - c l p – T – H nh phúc - - - NHI M V LU N V N TH C S I H tên h c viên: Nguy n H u Nhân MSHV: 1970429 Ngày, tháng, n m sinh: 08/03/1997 N i sinh: Khánh Hòa Chuyên ngành: K thu t i n t Mã s : 8520203 TÊN TÀI: H th ng nh n di n v t th đ ng s d ng m ng Capsule The road object detection system using Capsule Network NHI M V VÀ N I DUNG  Thi t k h th ng nh n di n v t th đ ng  Nghiên c u Capsule Network áp d ng vào h th ng nh n di n đ nh n bi t đ ng i đ ng, lo i ph ng ti n l u thông đ ng  Hi n th c đánh giá h th ng nh n di n II NGÀY GIAO NHI M V : 01/01/2021 III NGÀY HOÀN THÀNH NHI M V : 15/01/2022 IV CÁN B H NG D N: TS Tr ng Quang Vinh Tp.HCM, ngày 16 tháng 01 n m 2022 CÁN B TS Tr H NG D N CH NHI M B ng Quang Vinh TR NG KHOA I N I N T MÔN ÀO T O c L ic m n GVHD: TS Tr ng Quang Vinh L IC M N L i đ u tiên, chúng em xin g i l i c m n t i ti n s Tr h ng Quang Vinh quan tâm, ng d n, cung c p thông tin giúp em q trình hồn thành lu n v n H n n a em xin c m n t t c th y cô tr ng i h c Bách Khoa TP H Chí Minh giúp đ , truy n đ t nh ng ki n th c chuyên ngành quý giá giúp em hoàn thành nh ng n i dung c n thi t đ tài Và cu i cùng, em xin chân thành c m n gia đình b n bè đ ng viên khích l em q trình h c t p hoàn thành lu n v n t t nghi p Do th i gian th c hi n không nhi u nên lu n v n không tránh kh i nh ng sai sót Em r t mong nh n đ c l i khuyên s đóng góp ý ki n c a th y cô giáo b n quan tâm đ n đ tài đ em có th b sung ti p t c phát tri n đ tài th i gian t i Em xin chân thành c m n! Tp H Chí Minh, ngày 16 tháng 01 n m 2022 H c viên Nguy n H u Nhân i L i cam đoan GVHD: TS Tr ng Quang Vinh TÓM T T LU N V N TH C S Lu n v n trình bày v thi t k h th ng nh n di n v t th đ m ng Capsule ng s d ng tài t p trung vào th c hi n, hu n luy n m ng capsule thi t k s b ph n m m nh n di n v t th d a board NVIDIA Jetson Nano camera Raspherry Pi V1 Ph n m m nh n di n s d ng m ng capsule M ng Capsule đ luy n l y ý t c th c hi n hu n ng t báo c a Hinton Lu n v n hi n th c m ng Capsule nh n di n ph ng ti n l u thông đ ng (xe ô tô, xe buýt) v i đ xác 91% đ ng th i đ a thi t k cho h th ng nh n di n áp d ng m ng Capsule Tuy nhiên, lu n v n ch a hoàn thành ph n m m cho h th ng nh n di n, thi u sót l n c a lu n v n, h c viên s c g ng b sung t ng lai ABSTRACT This thesis presents the design of the object recognition system on the road using the Capsule network The topic focuses on implementation, training of the capsule network and preliminary design of object recognition software based on NVIDIA Jetson Nano board and Raspherry Pi V1 camera The identification software uses the capsule network This Capsule network is implemented and trained based on Hinton's paper The thesis has implemented the Capsule network to identify vehicles on the road (cars, buses) with 91% accuracy and proposed a design for the identification system applying the Capsule network However, the thesis has not yet completed the software for the recognition system, and this is a major shortcoming of the thesis, I will try to supplement in the future ii L i cam đoan GVHD: TS Tr ng Quang Vinh L I CAM OAN C A TÁC GI LU N V N Tôi xin cam đoan lu n v n cơng trình nghiên c u c a riêng cá nhân tôi, không chép c a t nghiên c u, đ c, d ch tài li u, t ng h p th c hi n N i dung lý thuy t lu n v n tơi có s d ng m t s tài li u tham kh o nh trình bày ph n tài li u tham kh o Các s li u, ch th c ch a đ ng trình ph n m m nh ng k t qu lu n v n trung c công b b t k m t công trình khác H c viên/Tác gi Nguy n H u Nhân iii Lu n v n Th c s GVHD: TS Tr ng Quang Vinh M CL C M U 1.1 Lý ch n đ tài 1.2 M c đích, đ i t 1.3 Ý ngh a khoa h c th c ti n c a đ tài ng, ph m vi nghiên c u T NG QUAN 2.1 Tình hình nghiên c u n 2.2 Nhi m v lu n v n c NH NG NGHIÊN C U TH C NGHI M HO C LÝ THUY T 3.1 H n ch c a pooling layers CNN 3.2 Nghiên c u m ng Capsule 3.2.1 Primary Capsules 3.2.2 Higher Layer Capsules 3.2.3 Loss Calculation TRÌNH BÀY, ÁNH GIÁ, BÀN LU N CÁC K T QU 4.1 Thi t k m ng Capsule S 4.1.2 S đ chi ti t t ng kh i TH4.1.3 K t qu hu n luy n m ng Capsule 4.2 Thi t k h th ng nh n di n 4.2.1 Mô t h th ng ph n c ng 4.2.2 Thi t k ph n m m 4.2.3 K t qu ch 4.3 ng trình ph n m m ánh giá k t qu đ t đ c, nêu h n ch lu n v n DANH M C TÀI LI U THAM KH O iv Lu n v n Th c s GVHD: TS Tr ng Quang Vinh DANH SÁCH HÌNH MINH H A Hình 2-1 K t qu nh n di n khuôn m t ng i b ng CNN Hình 2-2 So sánh ho t đ ng c a neural capsule Hình 3-1 Hình nh chi c thuy n, nhà Hình 3-2 Phân chia thành hình ch nh t tam giác Hình 3-3 Bi u di n v trí c a đ i t Hình 3-4 Xác đ nh đ i t ng khung hình 10 Hình 3-5 Quá trình bi u di n đ i t Hình 3-6 D đốn đ i t Hình 3-7 ng khung hình ng khung hình 11 ng 12 nh n theo th a thu n 13 Hình 3-8 Thi t l p tr ng s đ nh n 14 Hình 3-9 Tính t ng tr ng s 14 Hình 3-10 So sánh d đoán 15 Hình 3-11 So sánh tr ng s gi a d đoán 16 Hình 3-12 Q trình tính tốn di n vịng l p 17 Hình 3-13 Tham s decoder network 18 Hình 3-14 Mơ hình capsule network Hinton đ xu t 19 Hình 3-15 K t n i gi a higher layer FC layer 20 Hình 4-1 S đ kh i t ng quát m ng capsule 20 Hình 4-2 S đ thi t k m ng capsule 21 Hình 4-3 S đ thi t k tóm t t 22 Hình 4-4 Q trình tính tốn primary capsule 22 Hình 4-5 S đ kh i primary capsule 23 v Lu n v n Th c s GVHD: TS Tr ng Quang Vinh Hình 4-6 Mã gi thu t tốn routing 24 Hình 4-7 Q trình tính tốn kh i higher layer 25 Hình 4-8 Quá trình forward propagation back propagation 27 Hình 4-9 Thơng s training loss trình hu n luy n 29 Hình 4-10 Thơng s training accuracy validation accuracy trình hu n luy n 29 Hình 4-11 S đ kh i ph n c ng 30 Hình 4-12 Kit NVIDIA Jetson Nano 30 Hình 4-13 Camera Raspberry Pi V1 32 Hình 4-14 S đ kh i ph n m m 33 vi Lu n v n Th c s GVHD: TS Tr DANH SÁCH B NG S ng Quang Vinh LI U B ng 2-1 B ng so sánh cách ho t đ ng gi a Capsule Neural truy n th ng B ng 4-1 B ng li t kê hàm c n thi t c a class PrimaryCap 23 B ng 4-2 B ng li t kê hàm c n thi t c a class Mask 25 B ng 4-3 B ng li t kê hàm c n thi t c a l p Length 26 B ng 4-4 B ng li t kê hàm c n thi t c a l p squash 26 B ng 4-5 B ng li t kê hàm c a class Capsule Layers 26 B ng 4-6 B ng li t kê hàm c n thi t khác cho m ng Capsule 27 vii Lu n v n Th c s GVHD: TS Tr ng Quang Vinh gi i thu t đ nh n theo th a thu n Kh i Loss calculation có nhi m v tính toán hai giá tr margin loss reconstruction loss T s đ kh i t ng quát, h c viên đ a s đ thi t k sau: Hình 4-2 S đ thi t k m ng capsule S đ kh i g m hàm, class, interface sau: - Main: hàm b t đ u ch ng trình - CapNet: interface tính tốn thơng s cho m ng capsule (s l p, s l n th c hi n gi i thu t routing, s chi u d li u đ u vào, …) - CapsuleLayer: class hi n th c layer m ng capsule - Length: class tính tốn chi u dài c a m i output đ u c a t ng layer - Mask: class th c hi n phép tính đ so sánh d li u đ u c a t ng layer v i d li u th c t - PrimaryCap: hàm th c hi n capsule ban đ u, th c hi n phép tính tích ch p, reshape d li u th c hi n hàm activation (squash) - Margin_loss: interface tính tốn đ sai s gi a d li u đ u d li u th c t - Train: Hàm th c hi n vi c hu n luy n mơ hình - Test: Hàm th c hi n vi c ki m tra mơ hình sau hu n luy n 21 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh Hình 4-3 S đ thi t k tóm t t S đ tóm t t l i q trình ho t đ ng s b c a m ng capsule t b c nh đ u vào đ n d li u đ u bao g m tr i qua b c tính tích ch p nh đ u vào, qua l p capsule đ u tiên, qua l p capsule cao h n, … 4.1.2 S đ chi ti t t ng kh i S đ kh i Primary Capsules Kh i PrimaryCap đ c xây d ng d a nh ng cơng th c sau: Hình 4-4 Q trình tính tốn primary capsule 22 Lu n v n Th c s GVHD: TS Tr i v i kh i Primary Capsule, vi c tính tốn chia làm b - Nhân vect đ u vào, v1 v2 l n l ng Quang Vinh c sau: t đ n t đ u c a capsule tr Trong m t capsule, nhân v1 v2 v i w1 w2 t ng ng đ nh n đ c c u1 u2 m i - Vect đ u vào có tr ng s vơ h c1 c2 vơ h ng cho u1 c1 đ c nhân v i u2 c2, ng c1 + c2 = c s = c1.u1 + c2.u2 - Tính t ng vect k t qu nh n đ - Phép bi n đ i phi n tính t vect sang vect bi n vect k t qu s, ngh a là, k t qu s đ u c a capsule này, có th đ c s d ng làm đ u vào c a capsule ti p theo S đ kh i Primary Capsule Hình 4-5 S đ kh i primary capsule Nhìn vào s đ trên, ta th y đ c kh i Primary Capsule th c hi n phép tốn tích ch p d li u đ u vào, reshape l i d li u cu i th c hi n hàm activation (squash)  Xây d ng class PrimaryCap B ng 4-1 B ng li t kê hàm c n thi t c a class PrimaryCap Hàm Tham s PrimaryCap inputs, Mô t dim_capsule, n_channels, Th c hi n xây d ng capsule kernel_size, strides, padding đ u tiên Class PrimaryCap th c hi n nhi m v c a m t capsule đ u tiên m ng, d a vào thông s đ u vào mà ng i dùng quy đ nh (v s channels c a b c nh, kích th c c a kernel, s b nh đ u vào, s chi u c a capsule, c strides, s l ng padding, … 23 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh S đ Higher Layer Capsules Kh i higher layer capsule đ c th c hi n theo mã gi thu t toán routing d i Hình 4-6 Mã gi thu t tốn routing Dòng 1: Dòng xác đ nh th t c ROUTING, l y đ u vào đ c bi n đ i affine (u), s l n l p đ nh n (r) s l p (l) làm đ u vào Dòng 2: bij giá tr t m th i đ c s d ng đ kh i t o ci cu i Dòng 3: Vòng l p for l p l i l n ‘r’ Dòng 4: Hàm softmax đ c áp d ng cho bi đ m b o đ u ci không âm, t t c đ u t ng b ng Dòng 5: i v i m i capsule l p k ti p, t ng tr ng s đ Dòng 6: i v i m i capsule l p k ti p, t ng tr ng s x lý b i hàm squash Dịng 7: tr ng s bij t đ c tính c c p nh t t i Uji bi u th đ u vào c a capsule t capsule c p th p i vj bi u th đ u c a capsule c p cao j 24 Lu n v n Th c s Hình v d GVHD: TS Tr ng Quang Vinh i bi u th cho s l n tính tốn Hình 4-7 Q trình tính tốn kh i higher layer  Xây d ng class Mask B ng 4-2 B ng li t kê hàm c n thi t c a class Mask Hàm Tham s Mô t call self, inputs, **kwargs Tính tốn mask d a thơng s đ u vào compute_output_shape self, input_shape Tính ngõ get_config self C u hình thơng s cho class Class Mask có nhi m v ch thơng s đ u đ c tính tốn có tin c y hay không 25 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh  Xây d ng class Length B ng 4-3 B ng li t kê hàm c n thi t c a l p Length Hàm Tham s Mô t call self, inputs, **kwargs Tính đ dài c a vector d a thơng s đ u vào compute_output_shape self, input_shape Tính ngõ get_config self C u hình thơng s cho class Class Length có nhi m v tính tốn chi u dài c a vector d a thông s đ u vào  Xây d ng class squash B ng 4-4 B ng li t kê hàm c n thi t c a l p squash Hàm Tham s Mơ t squash vectors, axis=-1 Hàm kích ho t dùng cho m i capsule Class squash th c hi n vi c tính tốn hàm kích ho t squash  Xây d ng class Capsule Layers B ng 4-5 B ng li t kê hàm c a class Capsule Layers Hàm init build Tham s self, num_capsule, dim_capsule, routings=3, kernel_initializer='glorot_uniform',**kwargs self, input_shape call self, inputs, training=None compute_o self, input_shape utput_shape get_configc self Mô t Kh i t o thông s ban đ u cho class Th c hi n bi n đ i ma tr n t capsule đ u vào đ n capsule đ u Th c hi n c ch đ nh n Tính toán s chi u vector đ u c a capsule C u hình thơng s cho capsule Class Capsule Layer th c hi n có nhi m v c n thi t c a m t l p capsule bao g m: th c hi n phép bi n đ i ma tr n, th c hi n c ch đ nh n theo th a thu n, tính tốn s chi u vector đ u cho capsule 26 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh  Xây d ng hàm c n thi t khác cho m ng Capsule B ng 4-6 B ng li t kê hàm c n thi t khác cho m ng Capsule Hàm Tham s CapsNet input_shape, Mô t n_class, routings, Hàm xây d ng capsule network batch_size margin_loss y_true, y_pred Tính tốn l i gi a đ u th c t đ u d đoán train model, data, args Hu n luy n mơ hình test model, data, args Ki m tra l i mơ hình hu n luy n load_dataset C u hình d li u Hàm margin_loss tính tốn sai s gi a đ u th c t đ u d đoán Hàm train th c hi n nhi m v hu n luy n mơ hình Hàm test th c hi n vi c ki m tra mơ hình hu n luy n Hàm load_dataset th c hi n vi c t i d li u đ u vào c u hình l i d li u TH4.1.3 K t qu hu n luy n m ng Capsule Hình 4-8 Quá trình forward propagation back propagation 27 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh L a ch n thông s hu n luy n m ng capsule  Epochs: 50  Batch size: 100  Learning rate: 0.001  Learning rate decay: 0.9  Routing: K t qu hu n luy n Epoch 1/50 2/50 3/50 4/50 5/50 6/50 7/50 8/50 9/50 10/50 11/50 12/50 13/50 14/50 15/50 16/50 17/50 18/50 19/50 20/50 21/50 22/50 23/50 24/50 25/50 26/50 27/50 28/50 29/50 30/50 31/50 32/50 33/50 34/50 35/50 36/50 Training loss 0.2847 0.1427 0.1263 0.1162 0.1094 0.1040 0.0994 0.0961 0.0932 0.0900 0.0878 0.0860 0.0834 0.0820 0.0799 0.0783 0.0772 0.0757 0.0743 0.0736 0.0724 0.0714 0.0706 0.0699 0.0690 0.0687 0.0685 0.0676 0.0673 0.0666 0.0666 0.0659 0.0658 0.0657 0.0648 0.0649 Training accuracy 0.6338 0.8040 0.8282 0.8429 0.8509 0.8583 0.8640 0.8684 0.8729 0.8760 0.8791 0.8813 0.8847 0.8871 0.8906 0.8920 0.8935 0.8967 0.8984 0.8991 0.9007 0.9022 0.9040 0.9038 0.9061 0.9052 0.9060 0.9071 0.9082 0.9083 0.9086 0.9100 0.9097 0.9103 0.9106 0.9105 Validation accuracy 0.7964 0.8368 0.8470 0.8535 0.8609 0.8712 0.8655 0.8772 0.8754 0.8805 0.8886 0.8883 0.8897 0.8901 0.8911 0.8906 0.8943 0.8944 0.8998 0.8980 0.8986 0.9015 0.8999 0.8996 0.9001 0.9013 0.9025 0.9033 0.9010 0.9043 0.9035 0.9030 0.9049 0.9055 0.9043 0.9058 28 Lu n v n Th c s 37/50 38/50 39/50 40/50 41/50 42/50 43/50 44/50 45/50 46/50 47/50 48/50 49/50 50/50 GVHD: TS Tr 0.0651 0.0642 0.0637 0.0640 0.0637 0.0638 0.0637 0.0638 0.0637 0.0633 0.0632 0.0631 0.0630 0.0631 0.9109 0.9124 0.9128 0.9132 0.9131 0.9132 0.9127 0.9125 0.9122 0.9140 0.9139 0.9137 0.9141 0.9145 ng Quang Vinh 0.9060 0.9065 0.9057 0.9063 0.9058 0.9073 0.9066 0.9076 0.9085 0.9088 0.9077 0.9073 0.9072 0.9075 Hình 4-9 Thơng s training loss q trình hu n luy n Hình 4-10 Thơng s training accuracy validation accuracy trình hu n luy n D a vào b ng thông s hai bi u đ trên, m ng capsule đ xác kho ng 90%, s t c thi t k có đ ng đ i cao Tuy nhiên v n có th nâng cao lên đ đ xác c a mơ hình n u có đ c c d li u hu n luy n t t h n 29 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh 4.2 Thi t k h th ng nh n di n 4.2.1 Mô t h th ng ph n c ng H th ng ph n c ng bao g m board Jetson Nano camera Raspberry Pi V1 Hình 4-11 S đ kh i ph n c ng NVIDIA Jetson Nano Developer Kit m t máy tính nh nh ng r t m nh m cho phép ch y song song nhi u m ng neural s d ng cho ng d ng nh phân lo i hình nh, phát hi n đ i t ng, phân đo n x lý gi ng nói T t c m t n n t ng d s d ng c ng nh tiêu t n h n watts Jetson Nano cung c p 472 GFLOPS đ ch y thu t toán AI hi n đ i m t cách nhanh chóng, v i m t CPU quad-core 64-bit ARM , m t NVIDIA GPU 128-core đ c tích h p board m ch, c ng nh b nh 4GB LPDDR4 Có th ch y song song nhi u m ng neural x lý đ ng th i m t s c m bi n có đ phân gi i cao [4] Hình 4-12 Kit NVIDIA Jetson Nano 30 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh Thông s k thu t  Model: Jetson Nano Developer Kit Carrier Board A02 (1 camera port)  GPU: 128-core Maxwell  CPU: Quad-core ARM A57 @ 1.43 GHz  Memory: GB 64-bit LPDDR4 25.6 GB/s  Storage: microSD (not included)  Video Encode: 4K @ 30 | 4x 1080p @ 30 | 9x 720p @ 30 (H.264/H.265)  Video Decode: 4K @ 60 | 2x 4K @ 30 | 8x 1080p @ 30 | 18x 720p @ 30 (H.264/H.265)  Camera: 1x MIPI CSI-2 DPHY lanes  Connectivity: Gigabit Ethernet, M.2 Key E  Display: HDMI 2.0 and eDP 1.4  USB: 4x USB 3.0, USB 2.0 Micro-B  Others: GPIO, I2C, I2S, SPI, UART  Mechanical: 100 mm x 80 mm x 29 mm Jetson Nano c ng đ c h tr b i NVIDIA JetPack Bao g m gói h tr board (BSP), CUDA, cu_DNN th vi n ph n m m Tensor_RT cho deep learning, computer vision, GPU computing, multimedia processing nhi u ng d ng khác SDK c ng bao g m kh n ng cài đ t frameworks Machine Learning (ML) mã ngu n m nh TensorFlow, Py_Torch, Caffe / Caffe_2, Keras MXNet, cho phép tích h p model AI/ framework vào s n ph m m t cách nhanh chóng d dàng Camera Raspberry Pi V1 OV5647 5MP phiên b n đ u tiên c a module camera cho Raspberry Pi v i c m bi n OV5647 đ phân gi i 5MP, h t l gi i cao có kh n ng quay phim ch t l ng hình nh t t, đ phân ng HD 31 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh Hình 4-13 Camera Raspberry Pi V1 Thông s k thu t:  Module Camera V1 cho Raspberry Pi  C m bi n: OV5647  phân gi i: 5MP   Angle of View (diagonal): 62.2 degree phân gi i hình: 2592x1944 pixel  Quay phim HD 1080P 30, 720P 60, VGA 640x480P 60  Lens: Fixed Focus  Connector: Ribon connector  Kích th c: 25x24x9mm 32 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh 4.2.2 Thi t k ph n m m Ph n m m đ c thi t k theo s đ d i đây: Hình 4-14 S đ kh i ph n m m  Các node t ng ng v i ti n trình x lý c a h th ng (process)  Giao ti p gi a node thông qua c ch g i/đ ng kí (publish/subscribe)  Ngơn ng l p trình: C++ 4.2.3 K t qu ch Ch ng trình ph n m m ng trình ph n m m hi n v n g p l i, ch a đ  K t qu : Ch ng trình ph n m m hi n l i, ch a hoàn thi n 4.3 ánh giá k t qu đ t đ Các k t qu đ t đ c hoàn thi n c, nêu h n ch lu n v n c:  Tìm hi u, nghiên c u lý thuy t v m ng Capsule  Hi n th c, hu n luy n đ c model m ng Capsule v i đ xác 90%  Thi t k h th ng nh n di n Các h n ch lu n v n:  Ch a hoàn thi n đ c ch ng trình ph n m m h th ng nh n di n 33 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh DANH M C TÀI LI U THAM KH O [1] VietnamLabCenter Group, " Capsule Networks." Internet: https://blog.vietnamlab.vn/capsule-networks/, Aug.04, 2019 [2] George Seif, "A simple and intuitive explanation of Hinton’s Capsule Networks." Internet: https://towardsdatascience.com/a-simple-and-intuitiveexplanation-of-hintons-capsule-networks-b59792ad46b1, Aug.22, 2018 [3] G Hinton, Sara Sabour, Nicholas Frosst, "Matrix Capsules with em routing", in ICLR, Toronto, 2018, pp 1-15 [4] Sara Sabour, Nicholas Frosst, Geoffrey E Hinton, "Dynamic Routing Between Capsules", Neural Information Processing Systems (NIPS 2017), Toronto, 2017, pp 1-11 34 Lu n v n Th c s GVHD: TS Tr ng Quang Vinh PH N LÝ L CH TRÍCH NGANG H tên: Nguy n H u Nhân Ngày tháng n m sinh: 08/03/1997 a ch liên l c: s 18, thôn H i X N i sinh: huy n Diên Khánh, t nh Khánh Hòa ng, xã Su i Hi p, huy n Diên Khánh, t nh Khánh Hịa Q TRÌNH ÀO T O 09/2015 – 06/2019: H c khoa i n-đi n t t i Tr ng i h c Bách Khoa TPHCM 12/2019 – 01/2022: H c th c s chuyên ngành K thu t i n t t i Tr ng ih c Bách Khoa TPHCM Q TRÌNH CƠNG TÁC 01/2019 – 01/2021: K s phát tri n ph n m m t i Công ty TNHH Robert Bosch Engineering & Business Solutions Vi t Nam 01/2021 – nay: Chuyên viên phát tri n ph n m m t i Công ty C ph n Nghiên c u ng d ng Trí tu nhân t o VinAI 35 ... Layer Capsules Tr c tìm hi u higher layer capsules, v n cịn m t ch c n ng l p primary capsules đ l i Ngay sau hàm squash l p primary capsules, m i capsule l p primary s c g ng d đoán đ u c a m i capsule. .. đoán đ u c a m i capsule c a l p higher capsules Ví d có 100 capsule (50 capsule hình ch nh t, 50 capsule hình tam giác) Gi s có lo i capsule l p higher capsules, 11 Lu n v n Th c s GVHD: TS Tr... ích Khi capsules primary layer đ ng ý ch n m t capsule (a certain higher-level capsule) , khơng c n ph i g i tín hi u cho capsule khác higher layer khác, tín hi u capsule (the agreed-on capsule)
- Xem thêm -

Xem thêm: Hệ thống nhận diện vật thể trên đường sử dụng mạng capsule ,