Thiết kế mô hình mạng CNN ứng dụng trong nhận dạng độ tuổi và giới tính

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆPNGÀNH CNKT ĐIẸN TỬ - VIỄN THÔNG THIẾT KẾ MƠ HÌNH MẠNG CNN ỨNG DỤNG TRONG NHẬN DẠNG ĐỘ TUỔI VÀ GIƠI TÍNH GVHD: TRƯƠNG NGỌC SƠN SVTH: NGUYỄN THỊ HỒNG GẤM LÊ THỊ QUỲNH NHI SKL009349 Tp Hồ Chí Minh, tháng 07/2022 n TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP THIẾT KẾ MƠ HÌNH MẠNG CNN ỨNG DỤNG TRONG NHẬN DẠNG ĐỘ TUỔI VÀ GIỚI TÍNH NGÀNH CƠNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THÔNG Sinh viên thực hiện: NGUYỄN THỊ HỒNG GẤM 18161067 LÊ THỊ QUỲNH NHI 18142050 Giảng viên hướng dẫn: PGS.TS TRƯƠNG NGỌC SƠN Thành phố Hồ Chí Minh, tháng 07 năm 2022 n CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 30 tháng năm 2022 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên 1: Lê Thị Quỳnh Nhi Họ tên sinh viên 2: Nguyễn Thị Hồng Gấm Ngành: CNKT Điện tử - Viễn thông MSSV: 18142050 MSSV: 18161067 Lớp: 18161CLVT2B Giảng viên hướng dẫn: PGS TS Trương Ngọc Sơn Ngày nhận đề tài: 07/04/2022 Ngày nộp đề tài: 30/07/2022 Tên đề tài: Thiết kế mơ hình mạng CNN ứng dụng nhận dạng độ tuổi giới tính Các số liệu, tài liệu ban đầu: Mơ hình phân loại độ tuổi giới tính bao gồm số liệu sau: - Các tài liệu: báo nước nước liên quan đến nhận dạng khuôn mặt, nhận dạng độ tuổi, giới tính vấn đề liên quan đến nhận dạng thuộc tính khn mặt Các trang web có chứa thơng tin liên quan đến đề tài tập liệu, kiến trúc mạng CNN, phương pháp cải thiện độ xác - Các số liệu: sở liệu dùng để huấn luyện kiểm tra thu thập gồm 18000 hình ảnh nhiều độ tuổi khác Sử dụng kiến trúc mạng VGG16, trọng số từ mơ hình YuNet để phát khuôn mặt Nội dung thực đề tài: - Tìm hiểu sở lý thuyết liên quan đến mạng CNN, kiến trúc VGG16 - Tạo tập liệu (gồm 18000 ảnh) Sắp xếp, phân chia tập liệu để số lượng ảnh độ tuổi cân - Điều chỉnh thông số số lớp kiến trúc mạng Áp dụng phương pháp tối ưu hóa để nâng cao độ xác cho phân loại độ tuổi, giới tính - Thực thi mơ hình, dựa kết độ xác nhận dạng để điều chỉnh thông số, đưa nhận xét đánh giá Sản phẩm: Mô hình nhận dạng độ tuổi, giới tính thời gian thực dựa khuôn mặt thông qua webcam hiển thị kết dự đoán ứng dụng web TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN i n CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 30 tháng năm 2022 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên sinh viên 1: Lê Thị Quỳnh Nhi Họ tên sinh viên 2: Nguyễn Thị Hồng Gấm Ngành: CNKT Điện tử - Viễn thông MSSV: 18142050 MSSV: 18161067 Tên đề tài: Thiết kế mơ hình mạng CNN ứng dụng nhận dạng độ tuổi giới tính Họ tên Giảng viên hướng dẫn: PGS.TS Trương Ngọc Sơn NHẬN XÉT: Về nội dung khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm:………… (Bằng chữ:………………………………………………… ) GIẢNG VIÊN HƯỚNG DẪN ii n CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 30 tháng năm 2022 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên sinh viên 1: Lê Thị Quỳnh Nhi Họ tên sinh viên 2: Nguyễn Thị Hồng Gấm Ngành: CNKT Điện tử - Viễn thông MSSV: 18142050 MSSV: 18161067 Tên đề tài: Thiết kế mơ hình mạng CNN ứng dụng nhận dạng độ tuổi giới tính Họ tên Giảng viên phản biện: ………………………………………………… NHẬN XÉT: Về nội dung khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm:………… (Bằng chữ:…………………………………………………….) GIẢNG VIÊN PHẢN BIỆN iii n LỜI CẢM ƠN Lời đầu tiên, nhóm thực đề tài đồ án tốt nghiệp xin gửi lời cảm ơn chân thành đến Giảng viên hướng dẫn Thầy Trương Ngọc Sơn Trong suốt q trình nhóm thực đề tài, Thầy đưa dẫn giải đáp thắc mắc góp ý cho nhóm Nhóm xin chân thành gửi lời cảm ơn đến Thầy, Cô khoa Đào tạo Chất lượng cao hướng dẫn, truyền đạt lại kiến thức kinh nghiệm quý giá, tạo điều kiện thuận lợi giúp cho nhóm hồn thành đề tài Ngồi ra, nhóm thực đề tài xin cảm ơn anh, chị bạn khóa nhiệt tình chia sẻ kiến thức, góp ý giúp nhóm hồn thành đồ án tốt Cuối cùng, nhóm cố gắng hồn thành công việc, nhiệm vụ mà đề tài đặt ra, nhiên chưa có nhiều kinh nghiệm kiến thức nhóm cịn nhiều hạn chế nên khơng thể tránh khỏi thiếu sót q trình thực hiện, trình bày đề tài Nhóm mong Thầy, Cơ thơng cảm mong nhận ý kiến đóng góp từ Thầy, Cơ Nhóm xin chân thành cảm ơn! iv n LỜI CAM ĐOAN Nhóm thực đồ án tốt nghiệp cam đoan không chép nội dung kết cơng trình khác Tỷ lệ trùng lắp với tài liệu khác 28%, nội dung tham khảo đề tài nhóm trích dẫn đầy đủ Đại diện nhóm thực đồ án tốt nghiệp (ký ghi rõ họ tên) v n MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP i PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN ii PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN iii LỜI CẢM ƠN iv LỜI CAM ĐOAN v MỤC LỤC vi DANH MỤC BẢNG BIỂU ix DANH MỤC HÌNH ẢNH x DANH MỤC TỪ VIẾT TẮT xii TÓM TẮT .xiii CHƯƠNG 1: TỔNG QUAN 1.1 GIỚI THIỆU 1.2 MỤC TIÊU ĐỀ TÀI 1.3 GIỚI HẠN ĐỀ TÀI 1.4 PHƯƠNG PHÁP NGHIÊN CỨU 1.5 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1.6 BỐ CỤC QUYỂN BÁO CÁO CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 GIỚI THIỆU MẠNG NƠ-RON TÍCH CHẬP 2.1.1 Tổng quan mạng nơ-ron tích chập 2.1.2 Điểm đặc trưng mạng nơ-ron tích chập 2.2 CẤU TRÚC MẠNG NƠ-RON TÍCH CHẬP 2.2.1 Lớp tích chập (Convolution layer) 2.2.2 Lớp gộp (Pooling layer) 2.2.3 Lớp kết nối đầy đủ (Fully Connected Layer) 10 2.3 KIẾN TRÚC MẠNG VGG 11 vi n 2.3.1 Tổng quan mạng VGG 11 2.3.2 Kiến trúc mạng VGG16 12 2.4 BỘ CƠ SỞ DỮ LIỆU (DATASET) 14 CHƯƠNG 3: THIẾT KẾ MÔ HÌNH PHÂN LOẠI ĐỘ TUỔI VÀ GIỚI TÍNH 18 3.1 XỬ LÝ BỘ CƠ SỞ DỮ LIỆU (DATASET) 18 3.1.1 Sắp xếp phân chia tập liệu 18 3.2.1 Phân tích tập liệu 19 3.2 TỔNG QUAN QUY TRÌNH THỰC HIỆN 21 3.2.1 Sơ lược quy trình thực 21 3.2.2 Phương pháp thực 22 3.3 PHÂN TÍCH KIẾN TRÚC MƠ HÌNH XỬ LÝ 24 3.3.1 Mơ hình phát khn mặt (Face detection) 24 3.3.2 Kiến trúc mơ hình xử lý dùng mạng VGG16 25 3.3.3 Phương pháp cho nhiệm vụ phân loại 27 3.3.3.1 Phân loại giới tính 27 3.3.3.2 Phân loại độ tuổi 28 3.3.4 Thuật tốn sử dụng mơ hình 30 CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ 31 4.1 KẾT QUẢ XÂY DỰNG MƠ HÌNH 31 4.2 KẾT QUẢ HUẤN LUYỆN MƠ HÌNH 33 4.2.1 Giới tính 33 4.2.1.1 Kết huấn luyện 33 4.2.1.2 Ma trận nhầm lẫn (confusion matrix) 34 4.2.2 Độ tuổi 37 4.2.2.1 Kết huấn luyện 37 4.2.2.2 Ma trận nhầm lẫn 37 4.3 KẾT QUẢ THỰC NGHIỆM 39 vii n 4.3.1 Kết nhận dạng khn mặt điều kiện bình thường 39 4.3.2 Kết nhận dạng khuôn mặt điều kiện không tốt 43 4.3.3 Kết tổng quan 44 CHƯƠNG 5: KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN 46 5.1 KẾT LUẬN 46 5.1.1 Đối với kết phân loại độ tuổi 46 5.1.2 Đối với kết phân loại giới tính 46 5.1.3 Kết nhận dạng trực tiếp độ tuổi giới tính thơng qua webcam 46 5.2 PHƯƠNG HƯỚNG PHÁT TRIỂN 46 TÀI LIỆU THAM KHẢO 48 viii n 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑀 𝑇𝑀 + 𝐹𝑀 (9) Recall: số lượng mẫu dự đoán nhãn thật “nam” (TM) tỷ lệ với tổng số lượng mẫu thật “nam” (TM+FF), tính tốn cơng thức (10) bên [16]: 𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑀 𝑇𝑀 + 𝐹𝐹 (10) Để mơ hình đạt hiệu cao nhận dạng đồng nghĩa với việc dự đốn nhãn giá trị precision phải cao số lượng mẫu bị nhầm lẫn phải thấp (giá trị recall phải cao) Từ công thức tính precision nhãn “nam” xấp xỉ 94% hiểu có 94 mẫu 100 mẫu dự đoán recall xấp xỉ 93% đồng nghĩa với việc dự đoán 93/100 mẫu nam thật Precision nhãn “nữ” với xấp xỉ 93% tương đương mẫu dự đốn xác 93/100 mẫu dự đoán recall xấp xỉ 85% tương đương với 100 mẫu nữ thật có mẫu bị dự đốn sai Hình 4.2 bên thể phần trăm nhận dạng tính tốn sẵn mơ hình Hình 4.2 Ma trận nhầm lẫn mơ hình phân loại giới tính F-1 Score: đùng để đánh giá mức độ phân loại mơ hình, giá trị cao mức độ phân loại xác Được tìm dựa giá trị precision recall tính tốn theo cơng thức (11) [16]: 36 n 𝐹1 𝑆𝑐𝑜𝑟𝑒 = ∗ 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∗ 𝑟𝑒𝑐𝑎𝑙𝑙 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙 (11) Áp dụng cơng thức tìm F1 Score tốn phân loại giới tính xấp xỉ 94% Về mơ hình giới tính hoạt động tốt 4.2.2 Độ tuổi 4.2.2.1 Kết huấn luyện Đối với kết việc huấn luyện mơ hình nhóm tuổi Hình 4.3, độ xác (accuracy) mơ hình tập huấn luyện đạt kết 90% (xấp xỉ 92%) kết tập thử nghiệm độ xác nằm khoảng 55% đến 60% Về độ mát (loss) với tập liệu huấn luyện hệ thống đạt khoảng 2% so với tập liệu thử nghiệm độ mát cao (lớn 100%) Hình 4.3 Kết huấn luyện độ tuổi Do việc nhận dạng độ tuổi phức tạp, nhóm tuổi chia thành nhóm khác khuôn mặt độ tuổi khơng q lớn dẫn đến việc khó khăn q trình huấn lun nên độ xác mơ hình chưa cao 4.2.2.2 Ma trận nhầm lẫn Tương tự giới tính, ma trận nhầm lẫn sử dụng để đánh giá mơ hình phân loại độ tuổi thể thông qua Bảng 4.4 bên sau: 37 n Bảng 4.4 Ma trận nhầm lẫn mơ hình phân loại độ tuổi Nhãn thật Nhãn dự đoán 1-9 10-19 20-29 30-39 40-49 50-59 60-69 70+ 1-9 340 72 10-19 47 320 40 23 16 10 20-29 67 260 104 13 30-39 37 96 257 52 38 40-49 26 32 122 189 99 23 50-59 22 40 96 226 77 23 60-69 14 20 42 116 255 43 70+ 0 1 46 223 Tử bảng ma trận nhầm lẫn bên trên, mơ hình tính tốn phần trăm dự đốn Hình 4.4 bên giúp dễ dàng quan sát mức độ dự đốn nhóm tuổi Hình 4.4 Ma trận nhầm lẫn mơ hình phân loại độ tuổi 38 n Ở Bảng 4.5, nhóm thực tính tốn thơng số Recall, F1-score giúp đưa nhìn xác tổng quan hoạt động mơ hình Bảng 4.5 Giá trị Precision, Recall, F1 độ tuổi Nhóm tuổi Precision (%) Recall (%) F1 (%) Số mẫu 1-9 0.83 0.80 0.81 427 10-19 0.57 0.70 0.63 459 20-29 0.59 0.57 0.58 459 30-39 0.45 0.53 0.48 489 40-49 0.46 0.38 0.42 499 50-59 0.45 0.46 0.46 492 60-69 0.62 0.51 0.56 498 70+ 0.76 0.81 0.78 277 0.58 3600 Accurary Với 3600 mẫu, nhóm thực đề tài tính độ xác (accuracy) trung bình tồn mơ hình phân loại độ tuổi đạt 58%, nhóm độ tuổi (1 – 9) có phần trăm precision (phần trăm dự đúng) cao khoảng 81% Nhóm độ tuổi 70 trở lên (70+) đạt mức với precision 78% Các nhóm (10 – 19), (20 – 29), (60 – 69) đạt kết nhận diện tương đối ổn với kết nhận dạng mức trung bình Cịn nhóm cịn lại nhóm (30 – 39), (40 – 49), (50 – 59) kết precision cịn thấp, nhóm thuộc nhóm độ tuổi giữa, thêm vào nhóm tuổi khơng có nhiều thay đổi khn mặt, nên nhận dạng bị nhầm lẫn với nhóm xung quanh nhiều nên dẫn đến kết “học” mơ hình thấp 4.3 KẾT QUẢ THỰC NGHIỆM Nhóm thực nhận dạng trực tiếp khn mặt nhiều điều kiện khác (ánh sáng bình thường, ánh sáng chói…) với khoảng cách từ khn mặt đến webcam khác để có kết khách quan 4.3.1 Kết nhận dạng khuôn mặt điều kiện bình thường Dưới kết nhận dạng khn mặt điều kiện bình thường (ánh sáng tốt, khơng bị chói), khn mặt cách webcam khoảng từ 30 – 50 cm 39 n Hình 4.5 Kết nhận dạng nữ nhóm tuổi (1 – 9) Ở Hình 4.5 khuôn mặt bé gái tuổi cách webcam khoảng 50cm Mơ hình dự đốn xác nhóm tuổi giới tính bé gái với phần trăm dự đốn đáng tin cậy Hình 4.6 Kết nhận dạng nam nhóm tuổi (10 – 19) Hình 4.6 thể kết xác nhóm tuổi giới tính bạn nam 19 tuổi với phần trăm dự đốn cao 40 n Hình 4.7 Kết nhận dạng nữ nhóm tuổi (20 – 29) Người Hình 4.7 bên nữ 21 tuổi, mơ hình nhận dạng đưa kết thuộc nhóm tuổi (20 – 29), giới tính nữ với phần trăm dự đốn cao xác Hình 4.8 Kết nhận dạng nam nhóm tuổi (20 – 29) Khuôn mặt nhận dạng cách webcam khoảng 30cm, người Hình 4.8 22 tuổi, mơ hình nhận dạng đưa kết thuộc giới tính nam nhóm tuổi (20 – 29) 41 n Hình 4.9 Kết nhận dạng nữ nhóm tuổi (50 – 59) Đối với kết Hình 4.9 trên, khn mặt cách webcam khoảng 50cm mơ hình dự đốn người hình thuộc 59 tuổi Hình 4.10 Kết nhận dạng nam nhóm tuổi (40 – 49) Ở Hình 4.10 kết nhận dạng người nam 47 tuổi Phần trăm dự đốn độ tuổi nhận dạng khơng cao mơ hình cho kết khoảng tuổi (40 – 49), giới tính nam 42 n 4.3.2 Kết nhận dạng khuôn mặt điều kiện không tốt Bên cạnh kết đúng, mơ hình cịn nhận dạng sai điều kiện ánh sáng khơng tốt (chói khơng đủ ánh sáng), hay khoảng cách xa (trên 50 cm) biểu diễn hình bên (b) (a) Hình 4.11 Kết nhận dạng nam nhóm tuổi (20 – 29) Người hình nam 22 tuổi, kết giới tính sai Hình 4.11 (a) khn mặt điều kiện ánh sáng chói từ đèn phía sau Hình 4.8 (b) cho kết độ tuổi sai khuôn mặt cách xa webcam không rõ đường nét mặt (a) (b) Hình 4.12 Kết nhận dạng nữ nhóm tuổi (50 – 59) 43 n Hình 4.12 (a) cho kết dự đốn (50 – 59) tuổi người hình nữ 53 tuổi khuôn mặt nhận dạng điều kiện ánh sáng tốt Đối với Hình 4.12 (b), người nhận dạng đứng khoảng cách xa ánh sáng khơng tốt nên mơ hình đưa dự đoán sai độ tuổi giới tính Hình 4.13 Kết nhận dạng nữ nhóm tuổi (60 – 69) Người Hình 4.13 nữ 61 tuổi, nhiên kết độ tuổi giới tính sai Do khn mặt có nét đặc trưng với nhóm tuổi (50 – 59) nên mơ hình khơng phân biệt xác 4.3.3 Kết tổng quan Để đánh giá tổng quan mơ hình, kết nhận dạng thực nghiệm nhóm tuổi xem xét điều kiện khác với số mẫu kiểm tra 10 mẫu (trừ nhóm tuổi 70+ mẫu) thể Bảng 4.6 bên Bảng 4.6 Kết nhận dạng độ tuổi, giới tính số điều kiện khác Nam (1-9) 9/10 Khoảng cách 50cm 7/10 Nữ (1-9) 9/10 5/10 9/10 6/10 Nam (10-19) 7/10 6/10 7/10 4/10 Nữ (10-19) 8/10 6/10 7/10 5/10 Nhóm tuổi Khoảng cách từ 20cm – 50cm Điều kiện ánh sáng bình thường 8/10 Điều kiện ánh sáng bị thiếu, bị chói… 5/10 44 n Nam (20-29) 9/10 5/10 8/10 5/10 Nữ (20-29) 9/10 5/10 8/10 4/10 Nam (30-39) 8/10 4/10 9/10 5/10 Nữ (30-39) 8/10 4/10 9/10 4/10 Nam (40-49) 7/10 3/10 8/10 3/10 Nữ (40-49) 7/10 5/10 8/10 4/10 Nam (50-59) 8/10 5/10 7/10 3/10 Nữ (50-59) 9/10 4/10 7/10 5/10 Nam (60-69) 7/10 3/10 8/10 4/10 Nữ (60-69) 7/10 5/10 7/10 4/10 Nam (70+) 5/5 2/5 4/5 3/5 Nữ (70+) 4/5 2/5 4/5 2/5 Thông qua kết thu được, mơ hình nhận dạng điều kiện ánh sáng đầy đủ, phạm vi khoảng cách cho phép (20cm - 50cm) Tuy nhiên số trường hợp nhận dạng với phần trăm dự đốn độ tuổi đạt độ xác cao sai giới tính ngược lại Bên cạnh cho thấy tác động từ điều kiện mơi trường bên ngồi ảnh hưởng nhiều đến kết nhận dạng mơ hình Trong trường hợp khoảng cách 50cm ánh sáng bị chói, bị thiếu trực tiếp làm cho mơ hình dự đốn sai độ tuổi giới tính đối tượng nhận diện 45 n CHƯƠNG 5: KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN 5.1 KẾT LUẬN 5.1.1 Đối với kết phân loại độ tuổi Mô hình học tốt tập liệu huấn luyện (training set) chưa tốt tập liệu kiểm thử (validation set) Training accuracy đạt xấp xỉ khoảng 92% validation accuracy đạt cao khoảng 57% Do độ tuổi chia thành nhiều lớp (8 lớp) nên độ xác thấp so với giới tính Thơng qua hình ảnh chương ta thấy độ xác huấn luyện (training accuracy) độ xác kiểm thử (validation accuracy) tăng, giá trị training loss huấn luyện giảm validation loss tăng dần theo số lượng epoch 5.1.2 Đối với kết phân loại giới tính Ở mơ hình phân loại giới tính, accuracy train đạt xấp xỉ 98% accuracy validation đạt khoảng 94% Giá trị loss tập train đạt xấp xỉ 5% loss tập validation nhỏ 15% Cũng giống mơ hình phân loại độ tuổi, giá trị validation loss cao nhiều so với training loss tăng số epoch lớn, validation accuracy lại thấp nhiều so với training accuracy Mơ hình phân loại độ tuổi giới tính có tượng overfitting (học q mức) dẫn đến độ xác tập kiểm thử thấp 5.1.3 Kết nhận dạng trực tiếp độ tuổi giới tính thơng qua webcam Khi dựa vào kết thơng qua nhận diện webcam máy tính, nhận dạng độ tuổi giới tính đa số trường hợp, cịn xuất trường hợp sai giới tính, sai độ tuổi Có thể thấy yếu tố bên ngồi ánh sáng, khoảng cách có tác động đáng kể đến trình nhận diện Cụ thể điều kiện bình thường khoảng cách vừa phải (dưới 0.5 mét) mơ hình nhận diện tương đối xác Tuy nhiên nhận diện khoảng cách xa hay điều kiện ánh sáng bị thiếu, hay bị chói độ xác nhận diện lại giảm đáng kể Bởi mơ cần xác định vị trí khn mặt sau tiến hành lấy đặc trưng để phân loại nhận diện, trường hợp điều kiện không tốt, đặc trưng khn mặt khơng rõ hay khơng đủ để phân tích dẫn đến trình nhận diện bị sai 5.2 PHƯƠNG HƯỚNG PHÁT TRIỂN 46 n Thông qua kết thu từ q trình huấn luyện mơ hình thu thập kết quả, nhóm nhận thấy đề tài cần cải thiện nhiều số điểm sau: Xây dựng lại lớp để phù hợp với mục đích phân loại độ tuổi, giới tính nhằm đạt độ xác cao Tăng số lượng ảnh tập sở liệu để giảm tượng overfitting mơ hình Khi mơ hình có độ xác cao ứng dụng vào phần cứng xây dựng website ứng dụng khả nhận dạng giới tính độ tuổi để tạo nên tính ứng dụng cho mơ hình 47 n TÀI LIỆU THAM KHẢO [1] Garrison W Cottrell and Janet Metcalfe, “EMPATH: Face, Emotion and Gender Recognition Using Holons”, Part of Advances in Neural Information Processing Systems (NIPS), 1990 [2] Young Ho Kwont and Niels da Vitoria Lobo, “Age Classification from Facial Images”, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, June 1994 [3] Gil Levi and Tal Hassncer, “Age and gender classification using convolutional neural networks”, IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), June 2015 [4] Md Nahidul Islam Opu, Tanha Kabir Koly, Annesha Das and Ashim Dey, “A Lightweight Deep Convolutional Neural Network Model for Real-Time Age and Gender Prediction”, Third International Conference on Advances in Electronics, Computers and Communications (ICAECC), December 2020 [5] Raya Rahadian and Suyanto Suyanto, “Deep Residual Neural Network for Age Classification with Face Image”, International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), December 2019 [6] Saad Albawi, Tareq Abed Mohammed and Saad Al-Zawi, “Understanding of a convolutional neural network”, International Conference on Engineering and Technology (ICET), August 2017 [7] Y Lecun, L Bottou, Y Bengio and P Haffner, “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, November 1998 [8] Đoàn Hồng Quang, Lê Hồng Minh Thái Dỗn Ngun, “Nhận dạng khn mặt video mạng nơ-ron tích chập”, Trung tâm Cơng nghệ Vi điện tử Tin học, Viện Ứng dụng Công nghệ, 28/8/2019 [9] Nguyễn Đình Hóa, “Nghiên cứu phân loại độ tuổi người hình ảnh sử dụng mạng nơ-ron tích chập”, Học viện Cơng nghệ Bưu Viễn thơng, 2020 [10] Anton Hristov, Maria Nisheva and Dimo Dimov, “Filters in Convolutional Neural Networks as Independent Detectors of Visual Concepts”, Proceedings of the 20th International Conference on Computer Systems and Technologies, June 2019 [11] Nguyễn Hồng Quang, Trinh Văn Loan Phạm Ngọc Hưng, “Nhận dạng phương ngữ tiếng Việt sử dụng mạng nơron tích chập CNN”, Kỷ yếu Hội nghị Quốc 48 n gia lần thứ X Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Đà Nẵng, ngày 17-18/08/2017 [12] Rasmus Rothe, Radu Timofte, Luc Van Gool, “DEX: Deep EXpectation of apparent age from a single image”, People Workshop International Conference on Computer Vision (ICCV), 2015 [13] Nguyễn Thanh Tuấn, “Deep Learning bản”, The Legrand Orange Book Template by Mathias Legrand, 8/2020 [14] Diederik P Kingma and Jimmy Lei Ba, “ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION”, Published as a conference paper at the 3rd International Conference for Learning Representations, San Diego, 2015 [15] Sofia Visa, Brian Ramsay, Anca Ralescu, Esther van der Knaap, “Confusion Matrix-based Feature Selection”, Proceedings of The 22nd Midwest Artificial Intelligence and Cognitive Science Conference 2011, Cincinnati, Ohio, USA, April 16-17, 2011 [16] Krishna Singh, Mohamed Elhoseny, Akansha Singh, Ahmed Elngar, “Machine Learning and the Internet of Medical Things in Healthcare”, Elsevier Inc, April 14, 2021 49 n S n K L 0