Thông tin tài liệu
TÓM TẮT BẰNG TIẾNG VIỆT Một hai vấn đề mà nhóm cần phải giải phân loại hình ảnh phong cách thiết kế Đầu tiên, thu thập liệu bước quan trọng nhất, ảnh hưởng đến độ xác mơ hình, dùng phương pháp Học bán giảm sát với mơ hình đào tạo tập liệu trước để gắn nhãn cho hình ảnh thu thập, sau nhóm áp dụng kỹ thuật tăng cường liệu để làm gia tăng số lượng hình ảnh của liệu có có 12000 ảnh với nhãn Qua giai đoạn tìm hiểu lựa chọn mơ hình đào tạo sẵn, áp dụng phương pháp học tập chuyển giao kỹ thuật điều chỉnh để đào tạo lại mơ hình có độ xác 96% Ngồi nhóm thực tạo hai mơ hình CNN phù hợp với liệu có độ xác 93% Sau có mơ hình đào tạo trên, nhóm sử dụng phương pháp biểu tổng hợp để kết hợp kết mơ hình đưa dự đốn xác hơn, có độ tin cao Bên cạnh cịn áp dụng phương pháp tối ưu hóa để tối ưu hóa mơ hình đào tạo cho phù hợp để ứng dụng mơi trường có Với ý tưởng mơ hình kinh tế chia sẻ, nhóm tìm hiểu xây dựng ứng dụng tảng Web cho phép tạo môi trường hỗ trợ chia sẻ ý tưởng, thiết kế kiến trúc sư thông qua viết đến với khách hàng, giúp khách hàng có nhìn tổng quan lĩnh vực Xóa bỏ khó khăn việc tìm cho thiết kế nội thất phù hợp sở thích Bên cạnh đó, ứng dụng tích hợp cơng cụ phân loại hình ảnh phong cách thiết nội thất sử dụng học sâu từ kết toán thứ để khách hàng dễ dàng biết phong cách thiết kế nội thất từ ảnh mà có từ chọn lối kiến trúc phù hợp Các chức ứng dụng bao gồm quản lý nghiệp vụ cho nhà thiết kế, người dùng, tạo lịch hẹn, sử dụng thuật toán đề xuất viết dựa thói quen người dùng iii TĨM TẮT BẰNG TIẾNG ANH One of the two issues that the team needs to solve is the classification of images of design styles First, data collection is the most important step, it affects the accuracy of the model, using the Semi-supervised learning method with the previously trained model on the data set to label newly collected images, then team applied data augmentation to increase the number of images of the existing data set and get over 12000 images with labels Through the stage of learning and selecting pre-trained models, applying transfer learning methods and adjustment techniques to retrain those models with more than 96% accuracy In addition, team created two CNN models that fit the above data with an accuracy of over 93% After the above trained models are available, team used the classifier voting method to combine the results of the above models to make more accurate, more reliable predictions Besides, optimization methods are also applied to optimize the trained models accordingly for application in existing environments With the idea of sharing economy model development, team has learned and built a Web-based application that allows to create an environment that supports sharing ideas and designs of architects through articles to customers , helping customers have a better overview in this field Eliminate the difficulties of finding yourself a suitable interior design and the right hobby In addition, the application integrates an interior design image classification tool that uses deep learning from the above results to help customers can easily know the interior design style from the images that they have and thereby choose the right architecture The basic functions of the application include managing for designers, users, creating appointments, using an algorithm to recommend articles based on user habits iv MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP iii PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN iv PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN v LỜI CẢM ƠN i LỜI MỞ ĐẦU ii TÓM TẮT BẰNG TIẾNG VIỆT iii TÓM TẮT BẰNG TIẾNG ANH iv MỤC LỤC v DANH MỤC VIẾT TẮT x DANH MỤC HÌNH ẢNH xi DANH MỤC BẢNG BIỂU xviii CHƯƠNG BÀI TOÁN PHÂN LOẠI PHONG CÁCH THIẾT KẾ 1.1 Quy trình thiết kế nhà 1.1.1 Thực trạng .1 1.1.2 Vấn đề .2 1.1.3 Giải pháp 1.2 Mơ hình kinh tế chia sẻ 1.2.1 Mơ hình kinh tế chia sẻ gì? .3 1.2.2 Các loại hình kinh tế chia sẻ 1.2.3 Tác động kinh tế chia sẻ với thị trường Việt Nam 1.3 Phạm vi v 1.3.1 Mục tiêu 1.3.2 Các loại phong cách thiết kế thông dụng CHƯƠNG TỔNG QUAN VỀ HỌC MÁY, HỌC SÂU 25 2.1 Học máy gì? 25 2.1.1 Các toán Học Máy 25 2.1.2 Phân nhóm thuật toán Học Máy 26 2.2 Học sâu gì? 28 2.3 Giới thiệu Artificial Neural Networks .30 2.3.1 Mạng Neural nhân tạo gì? 30 2.3.2 Neural sinh học (Biological Neurons) 30 2.3.3 Thần kinh nhân tạo (Artificial Neurons) 31 2.3.4 Mạng thần kinh nhân tạo (Artificial Neurons Networks - ANN) .32 2.3.5 Đầu Neural Network: Forward propagation 33 2.3.6 Huấn luyện Neural Network: Backpropagation 34 2.4 Mạng nơ-ron tích chập (CNN) 35 2.4.1 Lớp tích chập (Convolutional Layers) 35 2.4.2 Filters 38 2.4.3 Xếp chồng nhiều feature map lên 39 2.4.4 Pooling Layers 40 2.5 Kiến trúc CNN 41 CHƯƠNG ỨNG DỤNG HỌC SÂU ĐỂ GIẢI QUYẾT BÀI TOÁN PHÂN LOẠI PHONG CÁCH THIẾT KẾ NỘI THẤT 42 3.1 Một số nghiên cứu liên quan 42 3.1.1 Nghiên cứu “Tiếp cận trích xuất đặc điểm nội thất” 42 vi 3.1.2 Nghiên cứu “Cơng cụ tìm kiếm đa phương thức cho thiết kế thời trang nội thất” .44 3.2 Phương pháp đề xuất 47 3.3 Một số mơ hình CNN 48 3.3.1 DenseNet 48 3.3.2 InceptionV3 .50 3.3.3 Xception 53 3.4 Phương pháp học tập chuyển giao ( Tranfer learning) 57 3.5 Phương pháp tăng cường liệu 59 3.5.1 Tăng cường liệu để làm gì? 59 3.5.2 Kỹ thuật tăng cường liệu 59 3.6 Tối ưu hóa mơ hình thư viện TensorFlow Lite converter 61 3.7 Phương pháp biểu tổng hợp 62 3.8 Thuật toán TF-IDF 64 3.9 Đề xuất mơ hình website ứng dụng 66 CHƯƠNG THỰC NGHIỆM VÀ KẾT QUẢ 67 4.1 Dữ liệu cho thực nghiệm .67 4.1.1 Nguồn tham khảo .67 4.1.2 Mô tả liệu ban đầu 68 4.2 Môi trường Công cụ .70 4.2.1 Python 70 4.2.2 Anaconda .70 4.2.3 Jupyter 71 4.2.4 Visual Studio Code 71 vii 4.2.5 Google Kaggle 72 4.2.6 NodeJS 72 4.2.7 RESTFul API 73 4.2.8 Angular 73 4.2.9 ExpressJS .74 4.2.10 Heroku .74 4.2.1 Google Cloud Platform (GCP) .75 4.2.2 Firebase 75 4.2.3 Flask .76 4.3 Quy trình thực nghiệm lần 77 4.3.1 Thu thập liệu .77 4.3.2 Chuẩn bị, khám phá, làm quán liệu 77 4.3.3 Chọn mơ hình huấn luyện 80 4.3.4 Huấn luyện mơ hình chọn tập liệu .82 4.3.5 Đánh giá mơ hình .86 4.3.6 Dự đoán .88 4.3.7 So sánh kết mơ hình 90 4.3.8 Triển khai ứng dụng 93 4.4 Kết thực nghiệm lần .101 4.5 Quy trình thực nghiệm lần 102 4.5.1 Đánh giá thực nghiệm lần vấn đề cần cải thiện 102 4.5.2 Thu thập thêm liệu 103 4.5.3 Tiền xử lý liệu .105 4.5.4 Chọn mơ hình đào tạo 111 viii 4.5.5 Huấn luyện mơ hình 116 4.5.6 Kết huấn luyện .121 4.5.7 Đánh giá mơ hình 130 4.5.8 Tối ưu hóa dung lượng vật lý với TF Lite 139 4.5.9 Triển khai API .145 4.5.10 Triển khai ứng dụng website 149 4.6 Kết thực nghiệm lần 162 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 163 5.1 Nội dung thực .163 5.1.1 Nội dung thực quy trình thực nghiệm 163 5.1.2 Nội dung thực quy trình thực nghiệm 163 5.2 Hạn chế .164 5.3 Hướng phát triển .164 NGUỒN TÀI LIỆU THAM KHẢO 165 ix DANH MỤC VIẾT TẮT Các từ viết tắt Tường minh NN Neural Network CNN Convolutional Neural Network ML Machine Learning DL Deep Learning AL Artifcial Intelligence TP True Positive FP False Positive FN False Negative GCP Google Cloud Platform GPU Graphics Processing Unit CPU Central Processing Unit TPU Tensor Processing Uni DBM Deep Boltzmann Machine DBN Deep Belief Networks BN Batch Normalization IoT Internet of Things API Application Programming Interface SDK Software Development Kit SOTAs State of the art GAN Generative Adversarial Networks x DANH MỤC HÌNH ẢNH Hình 1.1: Quy trình thiết kế nhà Hình 1.2: Mơ hình Kinh tế chia sẻ Hình 1.3: Bài tốn phân loại .5 Hình 1.4: Mơ hình ứng dụng Website Hình 1.5: Ảnh minh họa phong cách ActDecor Hình 1.6: Ảnh minh họa phong cách ActDecor Hình 1.7: Ảnh minh họa phong cách ActDecor Hình 1.8: Ảnh minh họa phong cách HiTech 11 Hình 1.9: Ảnh minh họa phong cách HiTech 12 Hình 1.10: Ảnh minh họa phong cách HiTech 12 Hình 1.11: Ảnh minh họa phong cách HiTech 13 Hình 1.12: Ảnh minh họa phong cách Indochina 15 Hình 1.13: Ảnh minh họa phong cách Indochina 16 Hình 1.14: Ảnh minh họa phong cách Indochina 16 Hình 1.15: Ảnh minh họa phong cách Industrial .19 Hình 1.16: Ảnh minh họa phong cách Industrial .19 Hình 1.17: Ảnh minh họa phong cách Industrial .20 Hình 1.18: Ảnh minh họa phong cách Industrial .20 Hình 1.19: Ảnh minh họa phong cách Scandinavian .23 Hình 1.20: Ảnh minh họa phong cách Scandinavian .23 Hình 1.21: Ảnh minh họa phong cách Scandinavian .24 Hình 1.22: Ảnh minh họa phong cách Scandinavian .24 Hình 2.1: Mối quan hệ AI, ML, DL .28 Hình 2.2: Mơ hình mạng nơ-ron sinh học .30 Hình 2.3: Hình ảnh vỏ não người 31 Hình 2.4: Sự tương đồng cưa neurons sinh học neurons nhân tạo 31 Hình 2.5: Mạng thần kinh nhân tạo (ANN) 32 xi Hình 2.6: Forward propagation 33 Hình 2.7: Backpropagation 34 Hình 2.8: Kiến trúc CNN 35 Hình 2.9: Các lớp Convolutional Receptive field hình chữ nhật 36 Hình 2.10: Kết nối layers zero-padding 36 Hình 2.11: Giảm kích thường cách sử dụng Stride = 37 Hình 2.12: Sử dụng filter khác để có hai feature map .38 Hình 2.13: Các lớp Convolutional với nhiều Feautre map chồng lên với ảnh đầu vào kênh màu RGB 39 Hình 2.14: Lớp MaxPooling với kernel = (2 x 2), Stride =1 khơng Padding 40 Hình 2.15: Kiến trúc CNN 41 Hình 3.1: Phạm vi cơng việc khai thác tự động thiết bị thiết kế nội thất tính thiết kế chúng 43 Hình 3.2: Tổng quan cấp cao kiến trúc Early-fusion Blending 45 Hình 3.3: Kiến trúc mạng DeepStyle-Siamese nhóm nghiên cứu 46 Hình 3.4: Tổng quan phương pháp đề xuất 47 Hình 3.5: Kiến trúc mơ hình DenseNet 48 Hình 3.6: Kiến trúc phiên mơ hình DenseNet 49 Hình 3.7: Mơ-đun Inception 50 Hình 3.8: Kiến trúc Inception 51 Hình 3.9: Depthwise Separable Convolutional layer (Separable Convolutional layer) .54 Hình 3.10: Kiến trúc mơ hình Xception 55 Hình 3.11: Kiến trúc Xception InceptionV3 56 Hình 3.12: Hoạt động tranfer learning .57 Hình 3.13: So sánh việc sử dụng tranfer learning không sử dụng 58 Hình 3.14: Minh họa xoay ảnh tăng cường liệu 59 Hình 3.15: Minh họa đổi độ tương phản tăng cường liệu 60 Hình 3.16: Ví dụ tăng cường liệu 60 xii THỰC NGHIỆM VÀ KẾT QUẢ Bảng 4.17: Bảng mô tả Post Tên bảng Post Thuộc tính Kiểu liệu Mơ tả postID String Khóa viết title String Tựa đề viết createDate updateDate summary Datetime Datetime String Ngày tạo Ngày chỉnh sửa Nội dung tổng quan content keywords likeCount authorID String String Number String Nội dung Các từ khóa Số lượng lượt thích Khóa tác giả category String gallery Array pattern Array status String mainColor authorAvartar displayNameAuthor Array String String liked Array thumbnail String averageRating Number Tên phong thiết kế Mảng đường dẫn hình ảnh Mảng hoa văn có Trạng thái viết Mảng màu sắc chủ đạo Ảnh đại diện tác giả Tên hiển thị tác giả Mảng chứa khóa người thích Hình ảnh tượng trưng Trung bình số lượt bình chọn Bảng 4.18: Bảng mơ tả PostHistory Tên bảng PostHistory Thuộc tính Kiểu liệu id String idCus String viewdPost Array Mô tả Khóa bảng lưu lịch sử lượt xem lượt thích người dùng qua viết Khóa người dùng Mảng chứa khóa viết xem Trang | 152 THỰC NGHIỆM VÀ KẾT QUẢ likedPost Array Mảng chứa khóa viết thích Bảng 4.19: Bảng mơ tả Catergory Tên bảng Category Thuộc tính Kiểu liệu cateID String name String summary String description_first description_second String String image_feature Array image Array Mô tả Khóa loại phong cách thiết kế nội thất Tên loại phong cách thiết kế nội thất Tổng quan loại phong cách thiết kế nội thất Đoạn mô tả Đoạn mô tả thứ hai Mảng đường dẫn hình ảnh đặc trưng Mảng đường dẫn hình ảnh mơ tả Bảng 4.20: Bảng mơ tả PredictResult Tên bảng PredictResult Thuộc tính Kiểu liệu id String imageUrl String idUser resultImage String String Mơ tả Khóa bảng chứa kết dự đốn Đường dẫn đến hình ảnh dự đốn Khóa người sử dụng Kết dự đốn hình ảnh Bảng 4.21: Bảng mơ tả Appointment Tên bảng Appointment Thuộc tính Kiểu liệu Mơ tả id String Khóa lịch hẹn idCus String Khóa khách hàng idDes dateApp timeApp String Datetime Datetime Khóa kiến trúc sư Ngày đặt lịch hẹn Giờ đặt lịch hẹn Trang | 153 THỰC NGHIỆM VÀ KẾT QUẢ 4.5.10.3 Cài đặt môi trường phát triển Cài đặt công cụ, môi trường phát triển sau: Tools, framwork Name Front-end Angular 11 Back-end ExpressJS DBMS Firebase Source Control Github IDE Visual Studio Code 4.5.10.4 Front End • Cài đặt Cơng cụ Angular CLI - Angular Command Line Interface - đời hỗ trợ khởi tạo, sinh component kiểm thử triển khai ứng dụng Angular CLI thực chất Node.js package, cài đặt thơng qua trình quản lý package Node.js - npm Mở cửa sổ console gõ vào sau: npm install -g @angular/cli Kiểm tra cài đặt thành công số phiên cách nhập: ng version Trang | 154 THỰC NGHIỆM VÀ KẾT QUẢ Hình 4.103: Xem phiên Angular • Cấu trúc - e2e: Thư mục dùng để chứa tập tin dành cho mục đích testing - node_modules: Chứa module cần thiết cho ứng dụng Angular - src: Đây thư mục chứa toàn source code ứng dụng Angular - editorconfig: Chứa cấu hình liên quan đến phần Editor để chỉnh sửa source code như: indent_size, max_line_length,… Trang | 155 THỰC NGHIỆM VÀ KẾT QUẢ - gitignore: Đây tập tin Metadata Git, chứa thông tin tập tin thư mục bị ignore không commit lên Git Repository - angular.json: Đây tập tin chứa cấu hình cho Angular CLI, giúp build ứng dụng Angular - karma.conf.js: Tập tin cấu hình cho Karma, liên quan nhiều đến phần testing - package-lock.json: Dùng để lock version cho Node.js module dependencies - package.json: Tập tin cấu hình cho Node.js module dependencies 4.5.10.5 Back End • Cài đặt Đầu tiên mở file cửa sổ terminal Visual Studio Code, gõ lệnh: npm init Trong trình cài đặt, cmd yêu cầu ta nhập thông tin liên quan đến dự án như: name, version, description Kết thúc bước ta có file package.json Sau cài đặt Framework Express câu lệnh: npm install save express • Cấu trúc Trang | 156 THỰC NGHIỆM VÀ KẾT QUẢ - node_modules: chứa core framework thư viện - routes: định nghĩa URL method - index.js: file quan trọng, có nhiệm vụ kết nối tất thứ để ứng dụng chạy cách xác - package.json: file định nghĩa module - service: dùng để liên kết với FireBase - controller: dùng để chứa file controller.js - models: dùng để chứa file models.js Trang | 157 THỰC NGHIỆM VÀ KẾT QUẢ 4.5.10.6 Các giao diện ứng dụng website • Màn hình đăng nhập Hình 4.104: Giao diện đăng nhập web • Màn hình đăng ký Hình 4.105: Giao diện đăng ký web Trang | 158 THỰC NGHIỆM VÀ KẾT QUẢ • Màn hình trang chủ Hình 4.106: Giao diện trang chủ web Trang | 159 THỰC NGHIỆM VÀ KẾT QUẢ • Màn hình trang profile Hình 4.107: Màn hình trang Profile • Màn hình trang chi tiết viết Hình 4.108: Màn hình trang chi tiết viết Trang | 160 THỰC NGHIỆM VÀ KẾT QUẢ • Màn hình trang dự đốn kết sử dụng học sâu Hình 4.109: Màn hình trang sử dụng cơng cụ dự đốn Trang | 161 THỰC NGHIỆM VÀ KẾT QUẢ 4.6 Kết thực nghiệm lần • Thu thập liệu • Áp dụng thành công kỹ thuật Data Augmentation Tranfer Learning • Xây dựng mạng CNN để phân loại thiết kế nội thất hình ảnh 2D • Đào tạo mơ hình có độ xác cao • Áp dụng phương pháp biểu tổng hợp để kết dự đốn mơ hình xác • Sử dụng phương pháp tối ưu hóa mơ hình thư viện TFLite • Tạo API từ mơ hình đào tạo tối ưu hóa • Xây dựng Website áp dụng mơ hình kinh tế chia sẻ ứng dụng Học Sâu để phân loại hình ảnh thuật tốn đề xuất viết dựa thói quen người dùng Trang | 162 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Nội dung thực 5.1.1 Nội dung thực quy trình thực nghiệm • Tìm hiểu quy trình thiết kế nội thất thực tế • Tìm hiểu Học Máy, Học Sâu • Ứng dụng Học Sâu vào tốn phân loại phong cách thiết kế • Đạt kết khác tốt áp dụng Học Sâu để giải toán phân loại thiết kế nội thất • Tạo triển khai thành cơng API cho phép dự đốn phong cách thiết kế thơng qua hình ảnh tĩnh 2D Google App Engine tảng Google Cloud Platform • Tạo website đơn giản tích hợp với API có chức dự đốn phong cách thiết kế qua hình ảnh • Tạo ứng dụng điện có chức phân loại phong cách thiết kế nội thất thơng quan API tạo trước 5.1.2 Nội dung thực quy trình thực nghiệm • Thu thập liệu • Áp dụng kỹ thuật Data Augmentation để tập liệu trở nên phong phú • Tìm hiểu rõ Học Sâu phương pháp cải thiện trình huấn luyện mơ hình • Đào tạo mơ hình có độ xác cao so với kết trước • Xây dựng mạng CNN để phân loại thiết kế nội thất sử dụng hình ảnh 2D • Áp dụng thành cơng phương pháp biểu tổng hợp • Sử dụng thành cơng phương pháp tối ưu hóa mơ hình • Tạo API từ mơ hình đào tạo tối ưu hóa • Xây dựng website áp dụng mơ hình kinh tế chia sẻ, ứng dụng học sâu để phân loại thiết kế nội thất sử dụng thuật tốn đề xuất viết từ thói quen người dùng Trang | 163 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.2 Hạn chế • Nguồn tài nguyên phục vụ cho việc huấn luyện cịn ít, hầu hết cung cấp miễn phí • Dữ liệu cịn q với thực tế, với cân lớp dẫn đến tình trạng lớp nhiều có tỷ lệ đốn cao 5.3 Hướng phát triển • Tiếp tục phát triển thêm ứng dụng di động hệ điều IOS • Tìm hiểu mơ hình GAN (Generative Adversarial Networks) học sâu để phát triển ứng dụng tạo loại nội thất dựa liệu huấn luyện • Mở rộng số lượng lớp tăng số lượng mẫu thử lớp lên để tăng tỷ lệ dự đốn xác thực tế • Phát triển ứng dụng khác hỗ trợ quy trình thiết kế nội thất để đẩy nhanh quy trình lên giúp giảm chi phí quy trình xuống Trang | 164 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO Tiếng Việt: [1] Nguyễn Thanh Tuấn (2020), “Sách Deep Learning Cơ Bản – V2”, https://nttuan8.com/sach-deep-learning-co-ban/, (01/04/2021) [2] Vũ Hữu Tiệp (2019), “Machine Learning bản”, https://machinelearningcoban com/ebook/, (05/04/2021) Tiếng Anh: [3] Aurélien Géron (2019) "Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: concepts, tools, and techniques to build intelligent systems" (2nd ed.) O’Reilly [4] Qingkai Kong, Timmy Siauw, Alexandre M Baye (2020) "Python Programming and Numerical Method", Academic Press [5] Murphy, K P (2013) "Machine learning : a probabilistic perspective," Cambridge, Mass [u.a.]: MIT Press ISBN: 9780262018029 0262018020 [6] Y Lecun, L Bottou, Y Bengio and P Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, vol 86, no 11, pp 22782324, Nov 1998, doi: 10.1109/5.726791 [7] Kim, J S., Song, J Y., & Lee, J K (2018) Approach to the extraction of design features of interior design elements using image recognition technique [8] I Tautkute, T Trzciński, A P Skorupa, Ł Brocki and K Marasek, "DeepStyle: Multimodal Search Engine for Fashion and Interior Design," in IEEE Access, vol 7, pp 84613-84628, 2019, doi: 10.1109/ACCESS.2019.2923552 [9] F Chollet (2017), "Xception: Deep Learning with Depthwise Separable Convolutions," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp 1800-1807, doi: 10.1109/CVPR.2017.195 Trang | 165 TÀI LIỆU THAM KHẢO [10] C Szegedy, V Vanhoucke, S Ioffe, J Shlens and Z Wojna, "Rethinking the Inception Architecture for Computer Vision," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp 2818-2826, doi: 10.1109/CVPR.2016.308 [11] G Huang, Z Liu, L Van Der Maaten and K Q Weinberger (2017), "Densely Connected Convolutional Networks," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp 2261-2269, doi: 10.1109/CVPR.2017.243 [12] Simonyan, K., & Zisserman, A (2015) Very Deep Convolutional Networks for Large-Scale Image Recognition CoRR, abs/1409.1556 [13] TensorFlow https://www.tensorflow.org/ [14] Keras https://keras.io/ [15] scikit-learn https://scikit-learn.org/stable/ Trang | 166 ... xviii TỔNG QUAN ĐỒ ÁN TỐT NGHIỆP xix BÀI TOÁN PHÂN LOẠI PHONG CÁCH THIẾT KẾ CHƯƠNG BÀI TỐN PHÂN LOẠI PHONG CÁCH THIẾT KẾ 1.1 Quy trình thiết kế nhà 1.1.1 Thực trạng Hiện nay, chất lượng sống người... Thiết kế tối giản: Nội dung phong cách HiTech tham khảo từ website: Phong cách thiết kế nội thất Hitech & Nội thất hitech gì? Đặc trưng phong cách nội thất hitech Trang | BÀI TOÁN PHÂN LOẠI PHONG. .. Nội dung phong cách Indochina tham khảo từ website: Phong cách thiết kế nội thất Industrial | Housedesign Trang | 17 BÀI TOÁN PHÂN LOẠI PHONG CÁCH THIẾT KẾ - Phong cách thiết kế nội thất Industrial
Ngày đăng: 05/06/2022, 17:42
Xem thêm:
