Realtime object detection for camera streaming using c

1 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐỒNG NAI BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG REALTIME OBJECT DETECTION FOR CAMERA STREAMING USING C# Mã số: TR:2020-04/KCN Chủ nhiệm đề tài: ThS Nguyễn Thị Liệu Đồng Nai, 04/2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐỒNG NAI BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG REALTIME OBJECT DETECTION FOR CAMERA STREAMING USING C# Mã số: TR:2020-04/KCN Chủ nhiệm đề tài Nguyễn Thị Liệu Đồng Nai, 04/2021 DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI STT Họ tên thành viên ThS Nguyễn Thị Liệu ThS Lê Thị Trang ThS Đỗ Quốc Bảo Đinh Công Thành (SV) Phạm Hồng Quân (SV) Phan Tất n (SV) Đơn vị chủ trì Khoa Cơng nghệ Khoa Công nghệ Khoa Công nghệ Khoa Công nghệ Khoa Công nghệ Khoa Công nghệ MỤC LỤC MỤC LỤC DANH MỤC HÌNH PHẦN MỞ ĐẦU Lý chọn đề tài Tình hình nghiên cứu 2.1 Ngoài nước 2.2 Trong nước 10 Mục tiêu nghiên cứu 10 Đối tượng phạm vi nghiên cứu 10 4.1 Đối tượng nghiên cứu 10 4.2 Phạm vi nghiên cứu 10 Phương pháp nghiên cứu 10 Những đóng góp đề tài vấn đề mà đề tài chưa thực được11 6.1 Những đóng góp 11 6.2 Những vấn đề chưa thực 11 Kết cấu đề tài 11 Chương : Cơ sở lý thuyết 12 1.1 Tổng quan học máy 12 1.1.1 Học máy gì? 12 1.1.2 Các phương pháp học máy 12 1.1.3 Tại phải học máy 13 1.1.3.1 Trường hợp câu trả lời 13 1.1.3.2 Trường hợp biết cách thực khơng thể diễn giải để máy tính thực lại 13 1.1.3.3 Trường hợp liệu thay đổi liên tục, ta khơng thể thường xun lập trình lại chức 13 1.1.3.4 Trường hợp ta lập trình cụ thể cho người dùng giới hạn nhân lực 14 1.1.4 Ứng dụng học máy 14 1.2 Thư viện Keras 14 1.2.1 Thư viện Keras gì? 14 1.2.2 Tại lại sử dụng Keras 15 1.2.3 Một số thuật ngữ học máy Keras 15 1.2.3.1 Deep Learning 15 1.2.3.2 Layer 15 1.2.3.3 Model 16 1.2.3.4 Train 16 1.2.3.5 Data 16 1.2.3.6 Sequential model 16 1.2.3.7 Custom model 16 1.2.3.8 Fit 16 1.2.3.9 Compile 16 1.2.3.10 Predict 17 1.2.3.11 Test 17 1.2.3.12 Overfitting 17 1.2.3.13 Features 17 1.2.3.14 Convolution 17 1.2.4 Một số layer Keras 18 1.2.4.1 Convolution Layer 18 1.2.4.2 Conv2D Transpose 18 1.2.4.3 Pooling Layer 19 1.2.4.4 Fully-Connected Layer 19 1.2.5 Quy trình làm việc Keras: 19 1.3 Ngơn ngữ lập trình thư viện khác dùng đề tài 19 1.3.1 Python 3.6.3 19 1.3.2 Thư viện OpenCV 20 1.3.3 Thư viện Tensorflow 20 1.3.4 Thư viện Numpy 20 1.4 Mơ hình CNN 20 1.4.1 Tầng Convolution (Conv) 21 1.4.2 Tầng Pooling 22 1.4.3 Tầng Relu 22 1.4.4 Tầng Fully-connected 23 1.4.5 Kết luận 23 1.5 Mơ hình SRCNN 24 1.6 Tiểu kết 25 Chương : Xây dựng công cụ cải thiện chất lượng ảnh 26 2.1 Tìm hiểu 26 2.2 Chọn phương pháp học máy 26 2.3 Thu thập kiến thức từ nhiều nguồn 27 2.4 Cài đặt môi trường làm việc số thư viện cần thiết 27 2.4.1 Cài đặt chương trình Atom 27 2.4.2 Cài đặt Python 27 2.4.3 Cài đặt thư viện OpenCV 27 2.4.4 Cài đặt thư viện Tensorflow windows 27 2.4.5 Cách cài đặt Keras windows: 28 2.4.6 Cài đặt thư viện numpy 28 2.5 Xử lý data xây dựng mơ hình học máy 28 2.5.1 Vài nét data 28 2.5.2 Xử lý data 28 2.5.3 Xây dựng mô hình học máy 29 2.5.4 Quá trình học máy 30 2.5.5 Giao diện công cụ 31 2.6 Tiểu kết 31 Chương : Thử nghiệm đánh giá kết 32 3.1 Kiểm chứng mơ hình 32 3.2 Đánh giá công cụ 35 3.3 Tiểu kết 35 TÀI LIỆU THAM KHẢO 36 DANH MỤC HÌNH Hình 1-1: Phân loại học máy 13 Hình 1-2: Keras đứng thứ bảng xếp hạng độ phổ biến GibHub 15 Hình 1-3: Minh họa lớp convolution 2D 18 Hình 1-4: Quy trình làm việc Keras 19 Hình 1-5: Phép tính tầng convolution 21 Hình 1-6: Kết thu sau tính tốn 22 Hình 1-7: Phép tính tầng Pooling 22 Hình 1-8: Kết nối neural 23 Hình 1-9: Hình ảnh minh họa mơ hình CNN 24 Hình 1-10: Minh họa tăng kích thước ảnh giữ độ nét 25 Hình 2-1: Mơ hình học máy có giám sát 27 Hình 2-2: Cách trích xuất data 29 Hình 2-3: Mơ hình học máy đề tài 30 Hình 2-4: Quá trình học máy Keras 31 Hình 2-5: Giao diện công cụ 31 Hình 3-1: Kết kiểm chứng 34 THÔNG TIN KẾT QUẢ NGHIÊN CỨU ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG Thông tin chung: - Tên đề tài: Realtime object detection for camera streaming using c# - Mã số: TR:2020-04/KCN - Chủ nhiệm đề tài: ThS Nguyễn Thị Liệu nguyenthilieu@dntu.edu.vn Điện thoại: 0977422370 Email: - Đơn vị quản lý chuyên môn: Khoa Công nghệ - Thời gian thực hiện: Từ tháng 08/2020 đến tháng 01/2021 Mục tiêu: Nâng cao chất lượng ảnh phát theo thời gian thực qua camera Nội dung chính: Giáo trình với chương Chương 1: Cơ sở lý thuyết Chương : Xây dụng công cụ cải thiện chất lượng ảnh Chương 3: Thử nghiệm đánh giá kết Kết đạt (khoa học, đào tạo, kinh tế-xã hội, ứng dụng, ): Hoàn thành đề tài, ứng dụng làm tài liệu học tập, nghiên cứu cho giảng viên sinh viên lĩnh vực xử lý, nâng cao chất lượng hình ảnh PHẦN MỞ ĐẦU Lý chọn đề tài Photoshop có lẽ cơng cụ đề cập đến vấn đề xử lý nâng cao chất lượng ảnh Việc nâng cao chất lượng ảnh việc dễ dàng những thành tạo photoshop Tuy nhiên với người chưa biết cơng cụ họ khơng muốn thời gian để tìm hiểu sử dụng phải Đó lý nhóm tác giả xây dụng công cụ giúp nâng cao chất lượng ảnh tự động dựa vào học máy Những báo cáo nghiên cứu Computer Vision hay cụ thể Image Super-Resolution quan tâm giới Việc cải thiện chất lượng ảnh giúp nhiều vấn đề như: giúp quan điều tra, kiểm soát camera tốt hơn, cải thiện hình ảnh từ ảnh chất lượng thấp điện thoại bạn hay tuyệt vời cải thiện chất lượng ảnh hạn sử dụng Ở Việt Nam trường đại học bắt đầu đưa xử lý ảnh làm môn học chuyên ngành sinh viên ngành cơng nghệ thơng tin Tình hình nghiên cứu 2.1 Ngoài nước Việc nâng cao chất lượng ảnh toán ý tồn giới, chứng cho điều vào năm 2017 thi “New Trends in Image Restoration and Enhancement workshop and challenge on Image super-resolution” tổ chức với The Conference on Computer Vision and Pattern Recognition – CVPR 2017 (đây hội nghị lớn cho Machine learning Computer Vision) cho thấy tiềm đầy hứa hẹn tương lai Trong đề tài tác giả Yifan Wang, Lijun Wang, Hongyu Wang, Peihua Li có tên “End-toEnd Image Super-Resolution via Deep and Shallow Convolutional Networks” sử dụng keras để tạo model học máy giúp cho việc tăng kích thước ảnh lên giữ độ nét hình ảnh [13] Ngồi tốn nâng cao chất lượng ảnh ứng dụng trang website tiếng trang letsenhance.io: website miễn phí cho phép người dùng tận dụng mạng nơ-ron, nói cách khác AI để cải thiện nâng cao chất lượng hình ảnh mà công cụ Photoshop làm 2.2 Trong nước So với nước phát triển khác tình hình nghiên cứu nước ta nói sơi động Dưới vài đề tài bật liên quan đến xử lý nâng cao chất lượng ảnh Đề tài tác giả Nguyễn Xuân Cường nghiên cứu kỹ thuật xử lý ảnh phục vụ việc nâng cao chất lượng nhận dạng tiếng Việt Ở đề tài tác giả sử dụng OpenCV để tăng độ nét, tăng độ tương phản, loại bỏ phông nền, loại bỏ nhiễu… [14] Đề tài tác giả Phạm Ngọc Quảng phương pháp dùng để nâng cao chất lượng ảnh sử dụng y học tăng giảm độ sáng, tách ngưỡng, bó cụm, cân histogram… [15] Mục tiêu nghiên cứu Đề tài thực với mục tiêu:  Nghiên cứu thư viện Keras thư viện OpenCV  Tìm hiểu tạo mơ hình học máy phù hợp  Tìm xây dựng tập data dành cho q trình học  Xây dựng cơng cụ giúp tăng gấp đơi kích thước ảnh cải thiện độ nét so với phóng to gấp đơi bình thường  Kiểm tra đánh giá công cụ Đối tượng phạm vi nghiên cứu 4.1 Đối tượng nghiên cứu  Phương pháp học máy  Thư viện học máy Keras  Thư viện xử lý ảnh OpenCV 4.2 Phạm vi nghiên cứu Phạm vi nghiên cứu ảnh có độ phân giải thấp (Vd: 300x200, 400x205) Phương pháp nghiên cứu  Sử dụng mô hình CNN (Convolutional Neural Network) để cải thiện chất lượng ảnh giảm thiểu việc vỡ điểm ảnh phóng to lên  Ngơn ngữ lập trình sử dụng C#  Sử dụng thư viện Keras để xây dựng mơ hình giới thiệu phần neural Tuy nhiên, nghiên cứu gần chứng minh việc sử dụng hàm ReLu (Rectified Linear Unit) cho kết tốt khía cạnh:  Tính tốn đơn giản  Tạo tính thưa (sparsity) neural ẩn Ví dụ sau bước khởi tạo ngẫu nhiên trọng số, khoảng 50% neural ẩn kích hoạt (có giá trị lớn 0)  Quá trình huấn luyện nhanh trải qua bước tiền huấn luyện Như tầng ReLu đơn giản áp dụng hàm truyền ReLu 1.4.4 Tầng Fully-connected Fully-connected cách kết nối neural hai tầng với tầng sau kết nối đẩy đủ với neural tầng trước Đây dạng kết nối thường thấy ANN, CNN tầng thường sử dụng tầng phía cuối kiến trúc mạng Hình 1-8: Kết nối neural 1.4.5 Kết luận Tổng quan lại CNN thuật tốn có kiến trúc bao gồm nhiều tầng có chức khác tầng hoạt động thơng qua chế Conv Trong suốt trình huấn luyện, CNN tự động học thông số cho filter – tương ứng đặc trưng theo cấp độ khác Ví dụ tốn phân lớp ảnh , CNN cố gắng tìm thơng số tối ưu cho filter tương ứng theo thứ tự pixel > edges > shapes > facial > high-level features Đây lý mà CNN có kết quả vượt trội so với thuật toán trước Hình 1-9: Hình ảnh minh họa mơ hình CNN 1.5 Mơ hình SRCNN Quy chung mơ hình SRCNN (Super-Resolution Convolutional Neural Network) giống mô hình CNN thơng thường, sử dụng Convolution Layer để tìm features (đặc điểm) ảnh, thay vào việc sử dụng Pool Layer thông thường để giảm thiểu chiều data, giúp cho việc trainning liệu nhanh tránh trường hợp overfitting(5) học máy, ta sử dụng Conv2Dtranspose để nâng kích thước ảnh đầu (ví dụ đầu vào ảnh 32x32 đầu 64x64) Cơng dụng cụ thể SRCNN giúp cho ảnh tăng kích thước lại giữ nét đặc trưng ảnh khơng bị vỡ nhiều điểm ảnh Hình 1-10: Minh họa tăng kích thước ảnh giữ độ nét 1.6 Tiểu kết Trên phần sở lý thuyết số thư viện sử dụng đề tài Tiếp theo luận văn chương xây dựng công cụ cải thiện chất lượng ảnh dựa Keras Chương : XÂY DỰNG CÔNG CỤ CẢI THIỆN CHẤT LƯỢNG ẢNH DỰA TRÊN KERAS Để xây dựng công cụ cải thiện chất lượng ảnh, nhóm tác giả chia bước:  Tìm hiểu đề tài  Chọn phương pháp học máy phù hợp với đề tài  Thu thập kiến thức từ nhiều nguồn  Cài đặt môi trường làm việc  Xử lý data xây dựng mơ hình học máy  Tiến hành cho học máy 2.1 Tìm hiểu Tìm hiểu kiến thức trước vào giải vấn đề cần thiết, Python, Machine Learning, Deep Learning, Keras CNN nhóm tác giả tìm hiểu để giải tốn xây dựng mơ hình SRCNN 2.2 Chọn phương pháp học máy Ở đề tài nhóm tác giả sử dụng học có giám sát Supervised learning thuật toán dự đoán đầu (outcome) liệu (new input) dựa cặp (input, outcome) biết từ trước Cặp liệu gọi (data, label), tức (dữ liệu, nhãn) Supervised learning nhóm phổ biến thuật tốn Machine Learning [8] Hình 2-1: Mơ hình học máy có giám sát 2.3 Thu thập kiến thức từ nhiều nguồn Các vấn đề đặt thường có hướng giải người giải trước đó, việc cần làm tìm nguồn để sử dụng cải tiến Ở tơi chọn Github Google Scholar để tìm paper đáng tin cậy xác, Data tìm Kaggle Google Image muốn tạo Data cho riêng thân, riêng đề tài này, chọn Data có sẵn tiếng Data DIV2K 2.4 Cài đặt môi trường làm việc số thư viện cần thiết 2.4.1 Cài đặt chương trình Atom Có thể cài đặt Atom cách tải phần mền địa https://atom.io/ cài đặt làm theo hướng dẫn website [9] 2.4.2 Cài đặt Python Truy cập vào trang web https://www.python.org/downloads/ cài đặt [10] 2.4.3 Cài đặt thư viện OpenCV Ở đề tài nhóm tác giả sử dụng OpenCV 3.4.1 Để cài đặt thực tải thư viện OpenCV từ đường dẫn https://pypi.org/project/opencv-python/#downloads tiến hành tải gói cài đặt phù hợp Sau tải cài đặt thư viện lệnh sau: KhoaC:> Pip install path # với path đường dẫn đến file vừa tải 2.4.4 Cài đặt thư viện Tensorflow windows Để cài đặt Tensorflow bạn làm theo hướng dẫn website [11] Cũng cài câu lệnh đơn giản là: KhoaC:> Pip install –upgrade tensorflow 2.4.5 Cách cài đặt Keras windows: Cài đặt Keras cần vào cmd gõ câu lệnh: KhoaC:> pip install keras Mặc định câu lệnh cài đặt theo backend tensorflow 2.4.6 Cài đặt thư viện numpy Cài đặt thư viện Numpy lệnh: KhoaC:> pip install numpy 2.5 Xử lý data xây dựng mơ hình học máy 2.5.1 Vài nét data Ở đề tài nhóm tác giả sử dụng data DIV2K (của tác giả : Agustsson, Eirikur and Timofte, Radu) gồm ảnh có độ phân giải cao thu thập từ internet [12] Train data: Gồm 800 ảnh có độ phân giải cao Validation data: Gồm 100 ảnh có độ phân giải cao 2.5.2 Xử lý data Thông thường để tạo ảnh HR (High-resolution), ta phải thực việc kết hợp thông tin nhiều ảnh độ phân giải thấp (Multiple Image Super Resolution MISR) Những kỹ thuật thực máy ảnh kỹ thuật cao qua chương trình xử lý ảnh Photoshop Tuy nhiên, nhược điểm phương pháp cần nhiều ảnh độ phân giải thấp chúng phải chỉnh đối tượng ảnh phải đứng yên thời gian chụp Hơn nữa, tốc độ xử lý khơng cao Việc chỉnh tỉ mỉ tránh dùng ảnh độ phân giải thấp Nhưng ngược lại, chất lượng ảnh đầu khó đảm bảo nhiều thơng tin cần sinh dựa nhỏ lượng thơng tin ảnh đầu vào Bài tốn gọi Single Image SR (SISR), thứ mà tơi sử dụng Q trình trích lọc Data hiểu sơ đồ bên dưới: Hình 2-2: Cách trích xuất data Crop ảnh HR thành nhiều khung ảnh nhỏ khác với kích thước 96x96 tập label để train Từ ảnh HR tạo ảnh LR đối chiếu cách giảm tỷ lệ ½ Crop ảnh LR tương ứng với HR để tạo tập Data ảnh 48x48 đối chiếu với label Từ Data(X) Label(Y) ta đưa vào model để tìm đặc điểm bố trí pixel phù hợp 2.5.3 Xây dựng mơ hình học máy Mơ hình SRCNN đề tài xây dựng theo mơ hình EEDS, mơ hình xác tác giả Yifan Wang, Lijun Wang, Hongyu Wang, Peihua Li “End-to-End Image Super-Resolution via Deep and Shallow Convolutional Networks” [13] Keras thư viện mà nhóm tác giả sử dụng để xây dựng mơ hình EEDS Ở mơ hình này, nhóm tác giả sử dụng lớp convolution Conv2D Conv2Dtranspose Ở lớp Conv2D ảnh qua bóc tách đặc điểm đặc trưng ảnh để mơ hình dễ dàng học Còn lớp Conv2Dtranspose ảnh qua tăng kích thước lên gấp lên gấp đơi để phù hợp với đầu mong muốn mơ hình Hình 2-3: Mơ hình học máy đề tài Mơ hình gồm phần Deep Network Shallow Network Vùng Shallow network đơn giản Upsampling ảnh để tăng kích thước đầu Vùng Deep network thực chuyên sâu theo tuần tự: Bóc tách features ảnh nhờ vào Convolution Layer, Tăng kích thước đầu Conv2Dtranspose(x2) sau liên tục sử dụng Convolution Layer để tìm features nhỏ mơ hình thật fully-connected 2.5.4 Quá trình học máy Dữ liệu đầu vào hai tập ảnh gồm tập train tập validation Các ảnh chuyển mảng hai chiều Các mảng hai chiều gồm giá trị đến 255 đại diện cho màu sắc ảnh Các mảng đươc chạy qua lớp mơ hình nhóm tác giả xây dựng Quá trình đào tạo cung cấp liên tục cặp liệu nhãn vào mơ hình Trong q trình đào tạo, độ xác mơ hình kiểm tra liệu thử nghiệm Độ xác tăng dần đạt ngưỡng xác định dừng lại Q trình đạo tạo diễn hình: Hình 2-4: Quá trình học máy Keras 2.5.5 Giao diện cơng cụ Hình 2-5: Giao diện công cụ 2.6 Tiểu kết Ở chương nhóm tác giả nêu tồn trình thư viện áp dụng đề tài xây dựng công cụ cải thiện chất lượng ảnh nhóm tác giả Tiếp theo chương chương 3, thử nghiệm đánh giá kết Chương : THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 3.1 Kiểm chứng mơ hình Để kiểm chứng mơ hình, nhóm tác giả sử dụng cơng thức tính PSNR làm phương pháp kiểm chứng Sau lần thu ảnh từ chương trình, ta sử dụng cơng thức tính PSNR (Tỉ số tín hiệu cực đại nhiễu), PSNR sử dụng để đo chất lượng tín hiệu khơi phục thuật tốn nén có mát liệu (lossy compression) (ví dụ: dùng nén ảnh), thơng thường PSNR cao chất lượng liệu khơi phục tốt, ta xem ví dụ bên Ở nhóm tác giả so sánh cách phóng to phóng to trang website https://letsenhance.io/ phóng to cơng cụ nhóm tác giả xây dựng Letsenhance website tiếng sử dụng học máy nâng cao chất lượng ảnh Ảnh gốc Phóng to https://letsenhance.io Phóng to cơng cụ nhóm tác giả PSNR: 19.83049 PSNR: 25.71533 PSNR: 30.66796 PSNR: 36.35731 PSNR: 25.98681 PSNR: 32.54989 PSNR: 29.52154 PSNR: 33.71956 PSNR: 27.66312 PSNR: 31.09013 PSNR: 26.84671 PSNR: 29.58269 PSNR: 30.57713 PSNR: 35.43087 PSNR: 25.18257 PSNR: 27.67041 PSNR: 31.85644 PSNR: 35.60021 PSNR: 21.98174 PSNR: 26.19575 Hình 3-1: Kết kiểm chứng Kết luận: Có thể thấy ảnh phóng to cơng cụ nhóm tác giả giữ chi tiết từ ảnh gốc tốt ảnh phóng to sử dụng trang website https://letsenhance.io/ 3.2 Đánh giá công cụ Qua trình kiểm chứng cho thấy, ảnh phóng to cơng cụ cải thiện chất lượng ảnh mà nhóm tác giả xây dựng đem lại độ xác tốt Những ảnh sau phóng to giữ chi tiết đặc trưng mà ảnh gốc sở hữu 3.3 Tiểu kết Trong chương nhóm tác giả ghi lại q trình kiểm tra độ xác cơng cụ mà nhóm xây dựng đề tài TÀI LIỆU THAM KHẢO Tài liệu sách [1] Machine Learning book for Vietnamese - Nguyễn Xuân Khánh University of Maryland https://ml-book-vn.khanhxnguyen.com/ Tài liệu internet [2] Trang web chuyên học máy: https://viettimes.vn/may-hoc-machine-learning-la-gi-va-tai-sao-cang-ngay-nocang-pho-bien-146666.html [3] Tại cần machine learning: https://ongxuanhong.wordpress.com/2015/07/06/tai-sao-can-machine-learning/ [4] Thông tin Convolution Layer: https://trantheanh.github.io/2017/09/29/ML-20/ [5] Những kiến thức OpenCV cài đặt: https://blog.vietnamlab.vn/2017/12/22/xu-ly-anh-voi-opencv-tut-1-cai-dat-opencv/ [6] Thư viện Numpy cách sử dụng: https://viblo.asia/p/machine-learning-deep-learning-cho-nguoi-bat-dau-pythonmang-numpy-numpy-array-OeVKByL25kW [7] Mơ hình CNN: https://tiendv.wordpress.com/2016/12/25/convolutional-neural-networks/ [8] Phân loại học máy: https://machinelearningcoban.com/2016/12/27/categories/#supervised-learninghoc-co-giam-sat [9] Tổng quan Atom cách cài đặt: https://o7planning.org/vi/11929/huong-dan-cai-dat-trinh-soan-thao-atom [10] Hướng dẫn chi tiết cách cài đặt Python windows: https://o7planning.org/vi/11375/huong-dan-cai-dat-va-cau-hinh-python [11] Cách cài đặt tensorflow windows: http://vn.apps-gcp.com/huong-da%CC%83n-cai-da%CC%A3t-tensorflow-trenwindow/ [12] Data DIV2K: https://data.vision.ee.ethz.ch/cvl/DIV2K/ [13] Bài toán nâng cao chất lượng ảnh: https://arxiv.org/pdf/1607.07680.pdf [14] Nghiên cứu kỹ thuật xử lý ảnh phục vụ cho việc nhận dang chữ tiếng việt: https://text.123doc.org/document/3154808-nghien-cuu-cac-ky-thuat-xu-ly-anhphuc-vu-viec-nang-cao-chat-luong-nhan-dang-tieng-viet.htm [15] Tìm hiểu phương pháp nâng cao chất lượng ảnh y học: http://luanvan.co/luan-van/do-an-tim-hieu-phuong-phap-nang-cao-chat-luong-anhy-hoc-44640/ [16] Sợ lượt Keras: http://code24h.com/keras-va-dataset-api-da-tro-thanh-phan-khong-the-thieu-trongtensorflow-1-4-d309.htm [17] Độ phổ biến Keras: https://twitter.com/fchollet/status/971974547854381056 [18]Tổng quan deep learning: https://www.thuatngumarketing.com/deep-learning/ ... GIÁO D? ?C VÀ ĐÀO TẠO TRƯỜNG ĐẠI H? ?C CÔNG NGHỆ ĐỒNG NAI BÁO C? ?O TỔNG KẾT ĐỀ TÀI NGHIÊN C? ??U KHOA H? ?C CẤP TRƯỜNG REALTIME OBJECT DETECTION FOR CAMERA STREAMING USING C# Mã số: TR:2020-04/KCN Chủ nhiệm... c? ??n c? ? liệu dùng để "h? ?c" , đưa vài kết kh? ?c  H? ?c củng c? ?? (reinforcement learning) c? ?ch "h? ?c" trở nên vô phổ biến Trong h? ?c củng c? ??, AI thưởng dựa làm H? ?c củng c? ?? giúp máy m? ?c đạt khả hiểu để chơi... validation C? ?c ảnh chuyển mảng hai chiều C? ?c mảng hai chiều gồm giá trị đến 255 đại diện cho màu s? ?c ảnh C? ?c mảng đư? ?c chạy qua lớp mơ hình nhóm t? ?c giả xây dựng Quá trình đào tạo cung c? ??p liên t? ?c cặp