bài tập lớn về machine learning, cùng với cách để tạo ra một chương trình nhận diện gương mặtLời nói đầu: Đầu tiên em xin gửi lời cảm ơn đến nhà trường và bộ môn đã tạo điều kiện cho bọn em cơ hội học tập và làm việc với môn học này, luôn tạo điều kiện tốt nhất để sinh viên có thể hoàn thành tốt quá trình học tại trường nói chung và trong môn học này nói riêng.Tiếp theo, em xin gửi lời cảm ơn chân thành tới cô Phạm Minh Thảo, giảngviên trực tiếp phụ trách giảng dạy lớp với môn Nhập môn Công Nghệ Thông Tin. Cô đã tận tình hướng dẫn, chỉ bảo với những phân tích định hướng rõ ràng cho nhóm trong suốt quá trình thực hiện đề tài, là tiền đề để em có thể hoàn thành đề tài đúng hạn. Cô cũng tạo điều kiện thuận lợi nhất có thể với các tài liệu cần thiết liên quan, giải đáp thắc mắc tại lớp khi các nhóm gặp khó khăn.
UNIVERSITY OF TRANSPORT AND COMMUNICATIONS TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI Khoa Công Nghệ Thông Tin BÁO CÁO BÀI TẬP LỚN MÔN NHẬP MÔN NGHÀNH MACHINE LEARNING NHẬN ĐIỆN KHUÔN MẶT BẰNG PYTHON SỬ DỤNG OPEN CV GVHD: Phạm Minh Thảo KS SVTH: Phạm Tiến Dũng – 221230771 CNTT Thành phố Hà Nội, tháng 12/2022 UNIVERSITY OF TRANSPORT AND COMMUNICATIONS TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI Khoa Công Nghệ Thông Tin BÁO CÁO BÀI TẬP LỚN MÔN NHẬP MÔN NGHÀNH MACHINE LEARNING NHẬN ĐIỆN KHUÔN MẶT BẰNG PYTHON SỬ DỤNG OPEN CV GVHD: Phạm Minh Thảo KS SVTH: Phạm Tiến Dũng – 221230771 CNTT Thành phố Hà Nội, tháng 12/2022 LỜI NÓI ĐẦU Đầu tiên em xin gửi lời cảm ơn đến nhà trường môn tạo điều kiện cho bọn em hội học tập làm việc với môn học này, tạo điều kiện tốt để sinh viên hồn thành tốt q trình học trường nói chung mơn học nói riêng Tiếp theo, em xin gửi lời cảm ơn chân thành tới cô Phạm Minh Thảo, giảng viên trực tiếp phụ trách giảng dạy lớp với môn Nhập môn Công Nghệ Thông Tin Cơ tận tình hướng dẫn, bảo với phân tích định hướng rõ ràng cho nhóm suốt trình thực đề tài, tiền đề để em hồn thành đề tài hạn Cơ tạo điều kiện thuận lợi với tài liệu cần thiết liên quan, giải đáp thắc mắc lớp nhóm gặp khó khăn Mặc dù cố gắng hoàn thành đề tài với tất cố gắng tất nhiên em cịn mắc phải sai sót, khuyết điểm đề tài, mong nhận thông cảm cô lời nhận xét để giúp nhóm cải thiện XIN CHÂN THÀNH CẢM ƠN NHẬN XÉT CỦA GIẢNG VIÊN DANH MỤC HÌNH ẢNH Hình 1: Những cột mốc quan trọng Deep Learning Hình 2: Mơ tả cách thực dự án 11 Hình 3: Mối quan hệ lĩnh vực AI, ML DL 12 Hình 4.Ví dụ phân cụm (học không giám sát) 16 Hình Sơ đồ hoạt động phương pháp học máy truyền thống 18 Hình Sơ đồ hoạt động ONNX .20 Hình Phần code gọi thư viện tạo biến 22 Hình Lấy tên ảnh CSDL 22 Hình 9: Câu lệnh dùng để xác định gương mặt 22 Hình 10 Hàm mã hóa 23 Hình 11 Hàm điểm danh theo thời gian thức 23 Hình 12 Hồn thành chương trình 24 Hình 13 Mơ hình huấn luyện chương trình 25 Hình 14 Cơ sở liệu 26 Hình 15 Giao diện nhận diện khn mặt chương trình 26 Hình 16 Mơ hình nhận diện gương mặt chương trình 27 Hình 17 File diemdanh.csv 27 MỤC LỤC MỤC LỤC DANH MỤC HÌNH ẢNH TÓM TẮT 13 MỞ ĐẦU 14 Tổng quan tình hình nghiên cứu đề tài 14 Lý chọn đề tài 15 Mục tiêu đề tài 15 3.1 Mục tiêu 15 Phương pháp nghiên cứu 16 CHƯƠNG GIỚI THIỆU TỔNG QUAN 18 1.1 Vấn đề toán 18 1.2 Hướng giải 18 1.3 Máy học gì? 19 1.4 Phân nhánh máy học 21 1.4.1 Học có giám sát 22 1.4.1.1 Hồi quy 22 1.4.1.2 Phân loại học có giám sát 29 1.4.2 Học không giám sát 34 1.4.2.1 Phân cụm 34 1.4.2.2 Giảm chiều liệu 35 1.4.3 Học bán giám sát 38 1.4.3.1 Phân loại học bán giám sát 39 1.4.3.2 Phân cụm ràng buộc 39 1.4.3.3 Ứng dụng học bán giám sát 39 1.4.4 Học tăng cường 40 1.5 Các phương pháp tiếp cận vấn đề học máy 42 1.5.1 1.6 Tiếp cận theo phương pháp Học máy truyền thống (ML) 42 Một số thư viện học máy 49 1.6.1 TensorFlow 49 1.6.2 Scikit-learn 50 1.6.3 OpenCV 50 1.6.4 ONNX 51 1.6.5 PyTorch 51 CHƯƠNG PHÁT HIỆN GƯƠNG MẶT 52 2.1 Viết chương trình phát gương mặt 54 CHƯƠNG NHẬN DIỆN GƯƠNG MẶT 63 3.1.1 Nhận diện gương mặt 67 CHƯƠNG TRIỂN KHAI CHƯƠNG TRÌNH 74 4.1 Quy trình chương trình: 74 4.1.1 Thu thập liệu khuôn mặt để nhận diện 74 4.1.2 Xử lý phát nhận diện khuôn mặt thời gian thực 78 4.1.3 Xem database điểm danh 81 CHƯƠNG KẾT LUẬN 82 TÀI LIỆU THAM KHẢO 84 TÓM TẮT Trong đề tài nghiên cứu Nhóm chúng tơi thực nghiên cứu việc xác định thông tin sinh viên dựa ảnh chụp cách tự động hóa cơng nghệ phần mềm khoa học máy tính Nghiên cứu áp dụng công nghệ Học máy (Machine learning) Học sâu (Deep learning) vào việc huấn luyện mơ hình để nhận diện gương mặt người Thực nghiệm mơ hình, tiến hành đánh giá mơ hình thơng qua thơng số đặc trưng triển khai thành ứng dụng tảng Web Việc huấn luyện thực nghiệm mơ hình máy học sử dụng thư viện PyTorch, phát triển Viện Nghiên cứu AI Facebook (Facebook’s AI Research Lab) Từ khóa: face recognition, identify student by faces, neural network, computer vision, nhận diện gương mặt, nhận diện sinh viên, tự động hóa, thị giác máy tính MỞ ĐẦU Tổng quan tình hình nghiên cứu đề tài Hình 1: Những cột mốc quan trọng Deep Learning Hình thể dấu mốc quan trọng Deep Learning Vào đầu năm 1940, với xuất phát triển mạnh mẽ thiết bị bán dẫn, linh kiện điện tử máy tính đặt móng cho xuất trí tuệ nhân tạo (AI) Tuy nhiên trí tuệ nhân tạo thời gian chưa thật có ứng dụng thực tiễn thành tựu bật nào.[1] Khoảng thời gian từ năm 1960 đến 2000, giới chuyên gia nhà nghiên cứu phải trải qua hai mùa đông AI (AI Winter), bế tắc gián đoạn nghiên cứu xảy khoảng thời giannày.[2] Sự đột phá năm 2006, mà Hinton giới thiệu ý tưởng tiền huấn luyện không giám sát (unsupervised pre-training) thông qua deep belief nets (DBN) Điểm bật báo tạo nơron nhân tạo với nhiều lớp ẩn (hidden layer) thay lớp trước Từ thời gian này, neural networks với nhiều lớp ẩn gọi với tên Deep Learning.[6] Sự phát triển khơng ngừng lĩnh vực trí tuệ nhân tạo, máy học học sâu để nhằm vào mục đích nhất, phục vụ cho nhu cầu lợi ích sống người Như giúp thiết bị điện tử nhận diện trắc sinh học (vân tay, quét võng mạc, nhận diện khuôn mặt, …), giúp dự đoán thời tiết, chẩn đoán loại bệnh hay dịch ngôn ngữ khác Để phục vụ cơng việc phức tạp, mn hình vạn trạng người, trí tuệ nhân tạo chia làm lĩnh vực để chuyên biệt hóa Hệ chuyên gia, Cây ngữ nghĩa, Xử lý ngôn ngữ tự nhiên, Robotics, Quy hoạch, Thị giác máy tính,… Tuy nhiên, việc nhận diện gương mặt vấn đề không đơn giản Gương mặt người có đặc trưng riêng biệt, điều đặt thách thức khơng nhỏ cho việc huấn luyện mơ hình nhận diện Do đó, cơng việc phải thực phương pháp học sâu (deep learning), với liệu đầu vào ảnh gương mặt, đưa vào mạng CNN huấn luyện lại mơ hình ResNet, DenseNet biến thể, cuối so sánh mơ hình với chọn mơ hình huấn luyện có độ xác cao nhất.[9] Lý chọn đề tài Hiện việc nhận diện gương mặt trở nên cần thiết nhiều ngành nghề, lĩnh vực khác Việc xây dựng hệ thống gương mặt đáp ứng nhu cầu sử dụng vấn đề nan giải mặt dù tồn nhiều mơ hình nhận diện gương mặt Để giải tốn này, ta cần phải thiết kế hệ thống có khả linh hoạt cao phạm vi ứng dụng lớn để người dùng truy cập sử dụng lúc, nơi Mục tiêu đề tài 3.1 Mục tiêu Xây dựng chương trình tiếng Việt, cho phép nhận diện sinh viên từ ảnh thư viện, từ ảnh chụp nhận diện thời gian thực (realtime), sử dụng Python để huấn luyện, dự đoán tên sinh viên kết xuất tập tin tổng hợp để giảng viên theo dõi ● Chương trình AlphaGo Google đánh bại bậc thầy cờ vây Lee Se-dol với tỷ số 3-0 Đây trận đấu xem khoảnh khắc quan trọng trí tuệ nhân tạo ● Ngoài ra, học tăng cường ứng dụng nhiều lĩnh vực xử lý ngơn ngữ tự nhiên, hệ thống chẩn đốn, máy dịch, sinh văn bản, thị giác máy tính 1.5 Các phương pháp tiếp cận vấn đề học máy 1.5.1 Tiếp cận theo phương pháp Học máy truyền thống (ML) Phương pháp tiếp cận giải vấn đề phương pháp Học máy truyền thống (Machine Learning) minh họa sơ đồ đây: Hình Sơ đồ hoạt động phương pháp học máy truyền thống Ở cách tiếp cận truyền thống theo phương pháp Học máy, để giải vấn đề áp dụng thuật tốn thuộc nhóm có giám sát, khơng giám sát, bán giám sát học tăng cường nêu mục trước tùy theo loại liệu Bước quan trọng cách tiếp cận việc thu thập số lượng liệu cực lớn cịn phải trích chọn đặc trưng (features extraction) phù hợp hình 18 ảnh, sau xây dựng thuật tốn tối ưu để tạo mơ hình tốt Ngồi cịn có bước tiền xử lý nằm sau giai đoạn thu thập liệu ảnh nhằm loại bỏ chi tiết nhiễu, hay tăng số lượng ảnh (data augmentation) Tập kỹ thuật liên quan đến đặc trưng gọi Feature engineering.[17] 1.6 Một số thư viện học máy 1.6.1 TensorFlow TF tảng Học máy mã nguồn mở, thiết kế đội ngũ Google Brain tổ chức nghiên cứu trí tuệ máy Google nhằm triển khai ứng dụng Học máy Học sâu theo cách đơn giản Nó kết hợp Đại số tính tốn kỹ thuật tối ưu hố để dễ dàng tính tốn biểu thức tốn học TF có hệ sinh thái tồn diện, linh hoạt bao gồm cơng cụ, thư viện tài nguyên cộng đồng cho phép nhà nghiên cứu xây dựng triển khai ứng dụng Học máy Đây thư viện máy học lâu đời nhất.[30] Trang chủ TF địa sau: https://www.tensorflow.org/ Trang mã nguồn Github TF nằm tại: https://github.com/tensorflow/tensorflow TF có tài liệu đầy đủ bao gồm nhiều thư viện Học máy nên phổ biến Vì sản phẩm Google, nên tại, TF ứng dụng nhiều sản phẩm Google phân loại chữ viết tay, nhận diện hình ảnh, xử lý ngơn ngữ tự nhiên, 1.6.2 Scikit-learn Sklearn thư viện Học máy mã nguồn mở hữu ích mạnh mẽ Python.Dự án David Cournapeau bắt đầu vào năm 2007 với tư cách dự án Google Summer of Code Hiện tại, Sklearn trì đội ngũ tình nguyện viên Sklearn cung cấp lựa chọn công cụ hiệu cho Học máy mơ hình thống kê, bao gồm phân loại, hồi quy, phân cụm giảm chiều liệu với giao diện quán Python Thư viện phần lớn viết Python, xây dựng dựa NumPy, SciPy Matplotlib.[29] Trang chủ Sklearn địa sau: https://scikit-learn.org/ Trang Github chứa mã nguồn Sklearn nằm tại: https://github.com/scikit-learn/scikit-learn 19 Một số sản phẩm thương mại sử dụng Sklearn Spotify, Evernote, Booking.com, J.P.Morgan, Hugging Face, Télécom ParisTech, Aweber, 1.6.3 OpenCV Project OpenCV Intel năm 1999 Gary Bradsky OpenCV viết tắt cho Open Source Computer Vision Library OpenCV thư viện nguồn mở hàng đầu cho Computer Vision Machine Learning, có thêm tính tăng tốc GPU cho hoạt động theo real-time.[18] OpenCV phát hành theo giấy phép BSD (*), miễn phí cho học tập sử dụng với mục đích thương mại Nó có giao diện C++, C, Python Java hỗ trợ Windows, Linux, Mac OS, iOS Android OpenCV thiết kế để hỗ trợ hiệu tính tốn chun dùng cho ứng dụng real-time (thời gian thực) Nếu viết C/C++ tối ưu, thư viện tận dụng xử lý đa lõi (multicore processing) 1.6.4 ONNX ONNX (Open Neural Network Exchange) hệ sinh thái trí tuệ nhân tạo mã nguồn mở công ty công nghệ tổ chức nghiên cứu ONNX giúp thiết lập tiêu chuẩn mở để đại diện cho thuật toán ML phần mềm công cụ nhằm thúc đẩy đổi hợp tác lĩnh vực AI ONNX cung cấp framework bao gồm mơ hình đồ thị tính tốn mở rộng, tốn tử tích hợp sẵn kiểu liệu tiêu chuẩn, tập trung vào phần suy diễn (đánh giá).[15] Hình Sơ đồ hoạt động ONNX 20 1.6.5 PyTorch PyTorch định nghĩa thư viện Học máy mã nguồn mở cho Python Nó sử dụng cho ứng dụng xử lý ngơn ngữ tự nhiên Ban đầu phát triển nhóm nghiên cứu trí tuệ nhân tạo Facebook phần mềm Uber’s Pyro để lập trình xác suất.[22] PyTorch Hugh Perkins phát triển trình bao bọc Python cho LusJIT dựa khuôn khổ Torch Trang web thơng tin thức thư viện PyTorch nằm địa sau: https://pytorch.org/ Trang Github chứa mã nguồn thư viện PyTorch nằm địa chỉ: https://github.com/pytorch/pytorch 21 CHƯƠNG PHÁT HIỆN GƯƠNG MẶT Phát gương mặt bước thiết yếu hệ thống nhận diện gương mặt Hiện có nhiều phương pháp mơ hình để phát gương mặt Trong báo cáo sử dụng thư viện Face recognition 2.1 Viết chương trình phát gương mặt Để sử dụng thư viện trước tiên ta cần gọi thư viện Face recognition import cv2 import face_recognition import os import numpy as np from datetime import datetime path="PIC3" Anh = [] TenAnh = [] ListAnh = os.listdir(path) Hình Phần code gọi thư viện tạo biến Sau gọi thư viện ta cần tạo biến tạo thư mục chứa sở giữ liệu “PIC3” for cl in ListAnh: AnhHT = cv2.imread(f"{path}/{cl}") # PIC3/Dung.jpg Anh.append(AnhHT) TenAnh.append(os.path.splitext(cl)[0]) # splitext tách path thành phần Hình Lấy tên ảnh CSDL FaceHT = face_recognition.face_locations(frame) Hình Câu lệnh dùng để xác định khuôn mặt 22 CHƯƠNG NHẬN DIỆN GƯƠNG MẶT Tương tự phát gương mặt, có nhiều thuật tốn mơ hình cho việc nhận diện gương mặt 3.1 Nhận diện gương mặt Để nhận diện gương mặt trước tiên ta cần mã hoá ảnh CSDL hàm sau def Mahoa(images): ListMAHOA = [] for img in images: encode = face_recognition.face_encodings(img)[0] ListMAHOA.append(encode) return ListMAHOA DS_MAHOA= Mahoa(Anh) Hình 10 Hàm mã hóa • Hàm mã hố ảnh đưa vào output ma trận chứa thông tin ảnh def diemdanh(name): with open('diemdanh.csv', 'r+') as f: myDataList = f.readlines() nameList = [] for line in myDataList: entry = line.split(',') # tách theo dấu , nameList.append(entry[0]) if name not in nameList: now = datetime.now() # trả 2022-12-16 16:43:30.709791 dtString = now.strftime('%H:%M') # biểu thị string phút f.writelines(f'\n{name},{dtString}') Hình 11 Hàm điểm danh theo thời gian thực 23 • Hàm “diemdanh” để mở file diemdanh.csv ghi lên gương mặt xuất khung hình Nếu gương mặt có CSDL tên ảnh ghi vào file thời gian xuất ngược lại khơng ghi cam = cv2.VideoCapture(0) while True: ret, frame = cam.read() FaceHT = face_recognition.face_locations(frame) MHframeHT = face_recognition.face_encodings(frame) for MHFace1, faceLocation in zip(MHframeHT, FaceHT): # lấy khuôn mặt vị trí khn mặt theo cặp DCX = face_recognition.face_distance(DS_MAHOA, MHFace1) Indexmin = np.argmin(DCX) if DCX[Indexmin] < 0.50: name = TenAnh[Indexmin].upper() diemdanh(name) else: name = "Unknow" # print tên lên frame y1, x2, y2, x1 = faceLocation cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, name, (x1-10, y1-10), cv2.FONT_ITALIC, 1, (255, 255, 255), 2) cv2.putText(frame, "BAM E DE THOAT", (30, 20), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (255, 255, 255), 2) cv2.imshow('FACE RECOGNITION', frame) if cv2.waitKey(1) == ord("e"): break () Hình 12 Hồn thành chương trình • Vịng lặp While True có chức mở camera, chương trình so sánh gương mặt xuất frame với gương mặt có CSDL để đưa tên gương mặt • Nếu gương mặt khơng có CSDL chương trình gán tên gương mặt Unknow khơng chương trình tên ảnh lên sổ • Bấm e để khỏi chương trình định nghĩa câu lệnh if break 24 CHƯƠNG TRIỂN KHAI CHƯƠNG TRÌNH Hệ thống nhận diện gương mặt áp dụng nhiều trường hợp thực tiễn camera giám sát, chấm công, điểm danh, eKYC, … Trong báo cáo thiết kế chương trình điểm danh đơn giản triển khai chương trình lên PyCharm 4.1 Quy trình chương trình: 4.2.1 Thu thập liệu khuôn mặt để nhận diện Việc thu thập liệu để huấn luyện cho mơ hình hình ảnh, chương trình tích hợp với camera để lấy liệu hình ảnh bắt đầu huấn luyện Hình 49 mơ hình huấn luyện chương trình: Hình 13 Mơ hình huấn luyện chương trình Như mô tả phần trên, liệu đầu vào có dạng hình ảnh, hình ảnh cắt từ video 25 Hình 14 Cơ sở liệu Hình 15 Giao diện nhận diện khn mặt chương trình 4.2.2 Xử lý phát nhận diện khuôn mặt thời gian thực Tương tự phần thu thập liệu trên, ta cần đầu vào input camera lần ta thêm vào chức khác để phục vụ cho công 26 tác điểm danh sinh viên với mô hình sau: Hình 16 Mơ hình nhận diện gương mặt chương trình 4.2.3 Xem database điểm danh Kèm theo hàm truy vấn đơn giản, ta ghi lên file csv thông tin sinh viên điểm danh chương trình cho kết Hình 17 File diemdanh.csv 27 CHƯƠNG KẾT LUẬN Như ta hoàn thành xây dựng xong hệ thống nhận diện gương mặt với ứng dụng điểm danh chạy tảng PyCharm Mặc dù cấu trúc hệ thống nhận diện gương mặt nhìn đơn giản, nhiên để xây dựng hệ thống hoàn chỉnh cần phải bỏ nhiều công sức nghiên cứu lựa chọn mơ hình phù hợp tối ưu tốc độ xử lý độ xác cho chương trình Tuy hệ thống cịn tồn số hạn chế sau: • Sinh viên lấy hình ảnh đưa lên camera để điểm danh, hạn chế lớn chương trình này, coi lỗ hổng bảo mật hệ thống điểm danh • Khi muốn cập nhật thêm người vào sở liệu ta phải thêm ảnh thủ công vào thư mục “PIC3”, việc tốn thời gian công sức người sử dụng • Trong trường hợp nhận diện với số lượng lớn người, hệ thống tốn nhiều thời gian để so sánh đưa kết nhận diện • Chương trình cịn nặng phải cài đặt phức tạp khó tiếp cận đến với người dùng • Ngồi hệ thống nhận diện khơng hiệu tốt trường hợp ngoại lệ đeo trang hay đeo kính Vì ta cần phải huấn luyện thêm cho mơ hình nhận diện trường hợp đặc biệt Khi huấn luyện xong mơ hình, để áp dụng thực tế ta cần phải quay lại gương mặt trường hợp Hệ thống nhận diện gương mặt nhiều tiềm phát triển mở rộng thêm, bỏ qua hạn chế nêu trên, chương trình áp dụng rộng rãi vào đời sống người 28 TÀI LIỆU THAM KHẢO [1] G Hinton, “Deep Belief Nets,” IEEE Trans Neural Networks, vol 17, no 6, pp 1623–1629, 2006, doi: 10.1109/TNN.2006.880582 [2] L Shi, Z Li, and D Song, “A Flower Auto-Recognition System Based on Deep Learning,” IOP Conf Ser Earth Environ Sci., vol 234, no 1, 2019, doi: 10.1088/1755-1315/234/1/012088 [3] J Kim, R.-G Huang, S Jin, and K Hong, “Mobile-Based Flower Recognition System,” 2009 Third Int Symp Intell Inf Technol Appl., vol 3, pp 580–583, 2009 [4] T Tiay, P Benyaphaichit, and P Riyamongkol, “Flower recognition system based on image processing,” in 2014 Third ICT International Student Project Conference (ICT-ISPC), 2014, pp 99–102, doi: 10.1109/ICTISPC.2014.6923227 [5] A Angelova and S Zhu, “Efficient Object Detection and Segmentation for FineGrained Recognition,” in Proceedings / CVPR, IEEE Computer Society Conference on Computer Vision and Pattern Recognition IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2013, pp 811–818, doi: 10.1109/CVPR.2013.110 [6] G Doran, “S.M.A.R.T-Way-Management-Review.pdf,” Management Review, vol 70, no 11 pp 35–36, 1981, [Online] Available: https://community.mis.temple.edu/mis0855002fall2015/files/2015/10/S.M.A.R TWay-Management-Review.pdf [7] K Chauhan, S Jani, R Dave, J Bhatia, S Tanwar, and M Obaidat, “Automated Machine Learning: The New Wave of Machine Learning,” 2020, doi: 10.1109/ICIMIA48430.2020.9074859 [8] M Awad and R Khanna, Efficient learning machines: Theories, concepts, and applications for engineers and system designers, no April 2015 [9] R K Mitchell, B R Agle, and D J Wood, “Toward a Theory of Stakeholder 29 Identification and Salience: Defining the Principle of Who and What Really Counts,” Acad Manag Rev., vol 22, no 4, pp 853–886, May 1997, doi: 10.2307/259247 [10] BBCNews, “Artificial intelligence: Google’s AlphaGo beats Go master Lee Sedol,” 2016 https://www.bbc.com/news/technology-35785875 [11] W Vogt, “Nonlinear Regression,” ncss.com, no 1, pp 1–9, 2015, doi: 10.4135/9781412983907.n1291 [12] E Ostertagová, “Modelling using polynomial regression,” Procedia Eng., vol 48, no May, pp 500–506, 2012, doi: 10.1016/j.proeng.2012.09.545 [13] S Depart of Statistics, “Polynomial Regression Examples,” 2020, [Online] Available: https://online.stat.psu.edu/stat501/lesson/9/9.8 [14] J Brownlee, “Arithmetic, Geometric, and Harmonic Means for Machine Learning,” 2019 https://machinelearningmastery.com/arithmetic-geometric-andharmonic-means-for-machine-learning/ [15] I J Goodfellow, N Koenig, M Muja, C Pantofaru, A Sorokin, and L Takayama, “Help me help you: Interfaces for personal robots,” in 2010 5th ACM/IEEE International Conference on Human-Robot Interaction (HRI), 2010, pp 187–188, doi: 10.1109/HRI.2010.5453203 [16] M Nilsback and A Zisserman, “Automated Flower Classification over a Large Number of Classes,” in 2008 Sixth Indian Conference on Computer Vision, Graphics & Image Processing, 2008, pp 722–729, doi: 10.1109/ICVGIP.2008.47 [17] G Punj and D W Stewart, “Cluster Analysis in Marketing Research: Review and Suggestions for Application,” J Mark Res., vol 20, no 2, p 134, 1983, doi: 10.2307/3151680 [18] J de Oña, R de Oña, and G López, “Transit service quality analysis using cluster analysis and decision trees: a step forward to personalized marketing in public transportation,” vol 43, pp 725–747, 2016 [19] S Marsland, Machine Learning: An Algorithmic Perspective, Second Edition 30 Stephen Marsland, 2014 [20] G Eknoyan, “Adolphe Quetelet (1796–1874)—the average man and indices of obesity,” Nephrol Dial Transplant., vol 23, no 1, pp 47–51, Jan 2008, doi: 10.1093/ndt/gfm517 [21] E Bingham and H Mannila, “Random Projection in Dimensionality Reduction: Applications to Image and Text Data,” in Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2001, pp 245–250, doi: 10.1145/502512.502546 [22] S A Bleha and M S Obaidat, “Dimensionality reduction and feature extraction applications in identifying computer users,” IEEE Trans Syst Man Cybern., vol 21, no 2, pp 452–456, 1991, doi: 10.1109/21.87093 [23] I Perfiljeva, “Dimensionality Reduction by Fuzzy Transforms with Applications to Mathematical Finance,” in Studies in Computational Intelligence, 2018, pp 243–254 [24] J Erman, A Mahanti, M Arlitt, I Cohen, and C Williamson, “Offline/realtime traffic classification using semi-supervised learning,” Perform Eval., vol 64, no 9, pp 1194–1213, 2007, doi: https://doi.org/10.1016/j.peva.2007.06.014 [25] M Liu, M Zhou, T Zhang, and N Xiong, “Semi-supervised learning quantization algorithm with deep features for motor imagery EEG Recognition in smart healthcare application,” Appl Soft Comput., vol 89, p 106071, 2020, doi: https://doi.org/10.1016/j.asoc.2020.106071 [26] Y Li, “Deep Reinforcement Learning: An Overview,” 2017 [27] K Yan, “Differences between Normalization, Standardization and Regularization,” 2018 https://maristie.com/2018/02/NormalizationStandardization-and-Regularization [28] S Gupta, “Deep learning performance breakthrough,” 2018 https://www.ibm.com/blogs/systems/deep-learning-performance-breakthrough/ [29] A Wasicek, “Artificial Intelligence vs Machine Learning vs Deep Learning: 31 What’s the Difference?,” 2018 https://www.sumologic.com/blog/machinelearning-deep-learning/ [30] P Đ Thắng, “Các kiến trúc CNN đại,” 2020 https://phamdinhkhanh.github.io/2020/05/31/CNNHistory.html [31] M Sandler, M Zhu, A Zhmoginov, and C V Mar, “MobileNetV2: Inverted Residuals and Linear Bottlenecks.” o 32 ... NGHÀNH MACHINE LEARNING NHẬN ĐIỆN KHUÔN MẶT BẰNG PYTHON SỬ DỤNG OPEN CV GVHD: Phạm Minh Thảo KS SVTH: Phạm Tiến Dũng – 221230771 CNTT Thành phố Hà Nội, tháng 12/2022 LỜI NÓI ĐẦU Đầu tiên em xin... thiết kế hệ thống có khả linh hoạt cao phạm vi ứng dụng lớn để người dùng truy cập sử dụng lúc, nơi Mục tiêu đề tài 3.1 Mục tiêu Xây dựng chương trình tiếng Việt, cho phép nhận diện sinh viên... sâu (Deep learning) vào việc huấn luyện mơ hình để nhận diện gương mặt người Thực nghiệm mơ hình, tiến hành đánh giá mơ hình thơng qua thơng số đặc trưng triển khai thành ứng dụng tảng Web Việc