Ứng dụng deep learning trong phát hiện một số loại súng cầm tay thông dụng qua ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** ỨNG DỤNG DEEP LEARNING TRONG PHÁT HIỆN MỘT SỐ LOẠI SÚNG CẦM TAY THÔNG DỤNG QUA ẢNH LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** ỨNG DỤNG DEEP LEARNING TRONG PHÁT HIỆN MỘT SỐ LOẠI SÚNG CẦM TAY THÔNG DỤNG QUA ẢNH Chuyên ngành: Công nghệ thông tin Mã số chuyên ngành: 8480201 Đồng Nai, Năm 2022 i LỜI CAM ĐOAN Tôi xin cam đoan nội dung trình bày luận văn cơng trình nghiên cứu tơi, hướng dẫn Thầy PGS.TS , trường Đại học Trong luận văn này, kiến thức từ công trình có liên quan kế thừa lại có trích dẫn đầy đủ Mã nguồn cài đặt hệ thống, thực nghiệm, kết quả, số liệu hình ảnh sử dụng luận văn trung thực ii LỜI CÁM ƠN Lời đầu tiên, em xin chân thành cảm ơn Trường Đại học tổ chức khóa học này, để em có điều kiện học tập lĩnh hội kiến thức có thời gian để hoàn thành luận văn Em xin chân thành cảm ơn Ban Giám hiệu, quý thầy cô Khoa Sau Đại Học thầy cô khoa Công nghệ Thơng tin trường Đại học Lạc Hồng tận tình truyền đạt, cung cấp kiến thức quý báu kỹ cần thiết, tạo điều kiện để em học tập nghiên cứu trường Em xin chân thành biết ơn đến thầy PGS.TS tận tình truyền đạt, định hướng, hỗ trợ, hướng dẫn em thời gian thực luận văn Thầy tận tâm giúp đỡ em tiếp cận với khoa học, biết cách sáng tạo khoa học, áp dụng khoa học vào lĩnh vực em hoạt động đạt thành cơng nghiên cứu Trong q trình hồn thành luận văn có nhiều cố gắng kiến thức hạn chế nên luận văn khơng khỏi thiếu sót định Em mong nhận nhiều ý kiến đóng góp quý báu quý thầy cô, anh chị bạn để chất lượng luận văn hoàn thiện iii TRƯỜNG ĐẠI HỌC LẠC HỒNG KHOA SAU ĐẠI HỌC TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dân) Đề tài: Ứng dụng deep learning phát số loại súng cầm tay thông dụng qua ảnh Ngành: Công nghệ thông tin Mã số: 8480201 Học viên: Người hướng dẫn: PGS.TS NỘI DUNG TÓM TẮT Nội dung giao kết mong đợi người hướng dẫn - Thu thập thông tin, liệu, nghiên cứu liên quan - Tiền xử lý ảnh Phân tích liệu - Lựa chọn mơ hình, giải thuật đề xuất công nghệ sử dụng - Xây dựng hệ thống - Thử nghiệm đánh giá kết - Hoàn thiện hệ thống, viết báo cáo luận văn Cách thức giải vấn đề Hiện việc trang bị vũ khí để chiến đấu khơng thời chiến mà thời bình quốc gia có loại vũ khí trang bị để thực nhiệm vụ bảo vệ đất nước sẵn sàng chiến đấu Với tình hình an ninh trật tự xã hội diễn biến phức tạp, không nước mà giới Việc kiểm sốt súng, sử dụng, trao đổi, mua bán vũ khí có chiều hướng gia tăng đặc biệt súng Để ngăn ngừa vụ việc sử dụng vũ khí trái phép, dẫn đến vụ gây sát thương, nguy hại cho tính mạng, sức khỏe người Trong đó, súng cầm tay vũ khí nguy hiểm thường loại tội phạm sử dụng thực hành vi phạm tội cướp của, giết người, hiếp dâm, buôn bán ma túy Từ lý trên, hiểu rõ tình hình cho thấy cần thiết việc nghiên cứu nhận diện, phát súng iv thơng qua hình ảnh từ camera giám sát nơi công cộng, giúp đảm bảo an ninh trật tự tốt Bước đầu thu thập liệu xử lý liệu chuẩn hố để huấn luyện thử nghiệm dùng phương pháp học máy Đề tài hướng đến nhận diện súng cầm tay bao gồm súng ngắn súng dài Súng cầm tay thường có nhiều màu sắc phổ biến màu đen, vàng, bạc, … Hình dạng súng cầm tay gần giống búa thay đổi nhiều góc độ dựa vào độ xoay theo chiều dọc, ngang, chéo hình dạng thay đổi tỷ lệ súng góc chụp, góc nhìn, từ gây độ lệch định Nghiên cứu lý thuyết liên quan đến toán nhận dạng, phát đối tượng ảnh, từ sử dụng Yolov5 để huấn luyện nhận diện, áp dụng thử nghiệm vào việc phát số loại súng Thiết kế, xây dựng chương trình phát súng cầm tay thông qua ảnh chụp Đánh giá mặt khoa học kết  Bổ sung liệu súng gán nhãn cho đối tượng súng toàn 1600 ảnh với tổng cộng 3000 đối tượng khoanh vùng gán nhãn Tạo liệu 4500 ảnh để huấn luyện  Luận văn hoàn thành mục tiêu nghiên cứu đề Xây dựng phần mềm demo nhận diện súng cầm tay dựa mơ hình huấn luyện Colab Luận văn nghiên cứu thành cơng phát triển để ứng dụng vào việc tự động giám sát, phát cảnh báo dựa liệu realtime camera giám sát lắp đặt khắp nơi Từ đó, quan chức có biện pháp phù hợp kịp thời để đảm bảo an ninh, trật tự địa điểm công cộng, quan tổ chức,… Những vấn đề tồn so với nội dung giao (nếu có)) Đồng Nai, ngày 03 tháng 03 năm 2023 NGƯỜI HƯỚNG DẪN HỌC VIÊN v MỤC LỤC LỜI CAM ĐOAN i LỜI CÁM ƠN ii TÓM TẮT LUẬN VĂN iii MỤC LỤC v DANH MỤC HÌNH VẼ vii DANH MỤC BẢNG ix DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT x CHƯƠNG TỔNG QUAN 1.1 Lý chọn đề tài 1.2 Các cơng trình nghiên cứu liên quan 1.2.1 Một số cơng trình nghiên cứu giới 1.2.2 Một số cơng trình nghiên cứu nước 1.3 Ý nghĩa tính khoa học thực tiễn đề tài 1.4 Mục tiêu luận văn 1.5 Nội dung thực 1.6 Phạm vi nghiên cứu 1.7 Mô tả chung hệ thống 1.8 Đóng góp bố cục luận văn CHƯƠNG CƠ SỞ LÝ THUYẾT 10 2.1 Giới thiệu 10 2.2 Một số sở lý thuyết 10 2.2.1 Máy học (Machine Learning) 10 2.2.2 Mơ hình mạng neural nhân tạo truyền thống 11 2.2.3 Học sâu ( Deep Learning) 12 2.2.4 Các kiến trúc mạng R-CNN 17 2.3 Giới thiệu Yolo 19 2.4 Độ xác (Accuracy) 32 2.5 Xử lý ảnh 33 vi CHƯƠNG XÂY DỰNG DATASET VÀ THIẾT KẾ CHƯƠNG TRÌNH PHÁT HIỆN SÚNG 35 3.1 Xây dựng dataset 35 3.2 Đánh dấu ảnh labelImg 37 3.3 Thử nghiện model 41 3.4 Thiết kế thực 44 3.4.1 Ngơn ngữ lập trình 44 3.4.2 Mô tả thiết kế 45 CHƯƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 48 4.1 Giới thiệu giao diện chương trình 48 4.2 Đánh giá mơ hình 50 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 54 5.1 Kết đạt 54 5.2 Hạn chế 54 5.3 Hướng phát triển đề tài 54 TÀI LIỆU THAM KHẢO vii DANH MỤC HÌNH VẼ Hình 1.1: Mơ hình thiết kế Hình 2.1: Kiến trúc mẫu mạng MLP 11 Hình 2.2: Luồng CNN 13 Hình 2.3: Phép toán Convolution 14 Hình 2.4: Nhân ảnh với filter 14 Hình 2.5: Phép nhân với ảnh màu có padding 15 Hình 2.6: Giảm thuộc tính bàng Max Pooling 16 Hình 2.7: RoI pooling 16 Hình 2.8: Các lớp mạng CNN 17 Hình 2.9: Các loại mạng dựa R-CNN 17 Hình 2.10: Fast R-CNN 18 Hình 2.11: Faster R-CNN 19 Hình 2.12: Cấu trúc Yolov1 20 Hình 2.13: Yolov1 chia ảnh thành SxS ô lưới 20 Hình 2.14: Phát nhiều đối tượng ô lưới 21 Hình 2.15: Hình ảnh minh họa 1% số lượng Anchor box mạng RetinaNet 22 Hình 2.16: Cấu trúc Darknet19 23 Hình 2.17: Cấu trúc Darknet53 24 Hình 2.18: Yolov3 network Architecture 24 Hình 2.19: Ảnh giảm mẫu 25 Hình 2.20: Kết so sánh Yolov4 với giải thuật thông dụng khác 26 Hình 2.22: Một số cấu trúc sử dụng cho phần cổ( Neck) 28 Hình 2.23: Cách thức hoạt động mơ hình Yolo 29 Hình 2.24: Cấu trúc Yolov5 29 Hình 2.25: So sánh DarkNet53 với CSPDarkNet53 30 Hình 2.26: Sự khác CSPResBlock Yolov4 (trên) C3 Module (dưới) 31 Hình 2.27: kiến trúc module SPP 31 Hình 2.28: Kiến trúc PAN 32 Hình 2.29: Ảnh ban đầu 34 Hình 3.1: Mở labelImg 37 viii Hình 3.2: Giao diện cơng cụ gán nhãn labelImg 38 Hình 3.3: Thực gán nhãn ảnh 39 Hình 3.4: Thực gán nhãn ảnh 39 Hình 3.5: Các ảnh annotate thư mục train 40 Hình 3.6: Tạo thư mục Google Drive 41 Hình 3.7: Tạo Google Colaboratory 42 Hình 3.8: Một notebook 42 Hình 3.9: Mơ tả thiết kế 46 Hình 3.10: Giao diện 47 Hình 3.11: Giao diện nhận diện súng cầm tay 47 Hình 4.1: Chọn hình cần nhận dạng 48 Hình 4.2: Ảnh trước sau nhận diện 48 Hình 4.3: Kết thử nghiệm 49 Hình 4.4: Kết thử nghiệm 49 Hình 4.5: Kết thử nghiệm 50 Hình 4.6: Kết thử nghiệm 50 Hình 4.7: Biểu đồ mAP_0.5 51 Hình 4.8: Biểu đồ mAP_0.5:0.95 51 Hình 4.9: Biểu đồ precision 52 Hình 4.10: Biểu đồ train/box_loss 52 Hình 4.11: Biểu đồ train/obj_loss 53 42 Hình 3.7: Tạo Google Colaboratory Với phiên miễn phí Google cho lần huấn luyện thử nghiệm với thời gian tối đa 12 giờ, mơ hình học sâu việc huấn luyện thực thông thường lâu để đạt độ xác mong muốn Sau thời gian cho lần (một session) hệ thống Google Colab tự động logout xóa hết liệu cần có phương pháp lưu trữ liên tục thông số liệu mơ hình để khơng bị hết liệu hết kết huấn luyện Để làm việc cần thực bước từ sau: Bước 1: Tạo thư mục tên LuanVan Google drive thư mục LuanVan tải file yolov5 (phiên mở sẵn có mạng) lên Bước 2: Đăng nhập Google Colab theo email sử dụng cho Google drive, tạo notebook hình 3.8 Hình 3.8: Một notebook Bước 3: Do Yolo bắt buộc dùng GPU để tính tốn nên cần cấu hình lại máy chủ cho phép sử dụng GPU cách vào Runtime thực “Change runtime type” chọn GPU 43 Bước 4: Bấm vào dấu + Code để tạo CodeBlock nhập theo thứ tự sau: Liên kết Colab với drive: Tải thư viện mã nguồn mở cho Yolov5 Sau liên kết với Google drive, thay đổi thực Colab lưu trữ liên tục lại Google Kết thử nghiệm Khi số vòng huấn luyện (epochs) lớn mơ hình ước lượng đặc tính liệu có độ xác cao Kết sau chạy thử mơ hình huấn luyện kiểm thử tính mean Avarage Precision (mAP) Sau huấn luyện với 200 Epoch chọn best weight cho kết bảng 3.1 Bảng 3.1 : Kết thử 200 Epoch Epoch AP(%) 10 52.95 50 63.0 100 64.4 150 64.3 199 62.5 Trung bình 61.43 Sau huấn luyện với 600 Epoch chọn best weight cho kết bảng 3.2 Bảng 3.2 : Kết thử 600 Epoch Epoch AP(%) 100 76.8 200 85.9 300 86.2 400 86.9 500 87.3 591 86.8 Trung bình 84.98 44 Sau huấn luyện với 900 Epoch chọn best weight cho kết bảng 3.3 Bảng 3.3: Kết thử 900 Epoch Epoch AP(%) 200 86.2 300 87.1 400 87.2 500 87.8 600 87.7 700 88.0 845 87.6 Trung bình 87.38 Khi huấn luyện với 900 epoch, đến 845 Epoch mAP giảm so với 700, lúc bắt đầu xảy tượng khớp, tượng q khớp tượng mơ hình ghi nhớ q tốt liệu huấn luyện phụ thuộc vào nó, việc khiến cho mơ hình q khớp với tập huấn luyện nên giảm tính tổng qt mơ hình dẫn đến hiệu mơ hình giảm Sau nhiều lần train thời gian để train lâu nên dừng không train thông số huấn luyện tốt epoch=700 cho thấy kết độ xác tốt, đáng tin cậy Do súng qua ảnh chụp với góc cắt khác nhau, độ nghiêng khác nhau, nhiều loại súng cầm tay, có độ phức tạp cao, mơ hình học phần nhiễu liệu đào tạo nên gặp khó khăn việc tổng hợp liệu train, chỗ súng bị che khuất ảnh hưởng tới trình thử nghiệm Kết mơ hình mức tốt, dù huấn luyện sử dụng Colab miễn phí nên bị hệ thống ngắt liên tục chưa tới hạn thời gian quy định Kết cho thấy có máy tính có GPU mạnh để huấn luyện lâu đưa vào ứng dụng việc tự động phát súng 3.4 Thiết kế thực 3.4.1 Ngơn ngữ lập trình Python ngơn ngữ lập trình thơng dụng cho mục đích lập trình đa năng, Guido van Rossum tạo lần đầu mắt vào năm 1991 Python sử dụng nhiều lĩnh vực: lập trình web, viết đoạn script, tính tốn khoa học lĩnh vực trí tuệ nhân tạo 45 Các thuật tốn đề tài cài đặt ngơn ngữ Python phiên 3.9, với mơi trường phát triển tích hợp (IDE) PyCharm Đề tài chọn Python Python đa dạng thư viện hỗ trợ, dễ đọc, dễ học dễ nhớ, nhiều tài liệu để học Đây ngơn ngữ lập trình cao cấp, chun nghiệp, Python có nhiều phiên : Phiên Python (1990 – 1999); Phiên Python (2000 – 2010); Phiên Python (2008 – 2020) PySide, gọi Qt cho Python, khung GUI Python để tạo ứng dụng GUI công cụ Qt PySide6 liên kết Python công cụ GUI đa tảng Qt Các ứng dụng xây dựng PySide6 chạy tảng hỗ trợ Qt & Python bao gồm Windows, OS X, Linux, iOS Android - C ++ - Các thư viện API cập nhật - Kiến trúc đồ họa - QT Quick 3D Qt 3D mới, nâng cao khả 3D - Giao diện với chức cụ thể tảng - Gói Qt nhỏ nhiều Từ ưu điểm, dễ sử dụng thư viện lớn, nên đề tài chọn Python PySide6 (QT6) ngôn ngữ lập trình cho ứng dụng 3.4.2 Mơ tả thiết kế 46 Hình 3.9: Mơ tả thiết kế Sau thực huấn luyện nhiều lần, có Mơ hình phát súng kết hợp với Python Qt6 để tạo chương trình ứng dụng nhận diện súng Muốn có giao diện kiểm thử tính xác mơ hình cần có chức cho phép load ảnh từ thư mục ảnh lên Sau load ảnh lên, ảnh gốc hiển thị bên trái cửa sổ chương trình ứng dụng Ảnh sau chạy mơ hình nhận diện súng hiển thị bên phải cửa sổ chương trình ứng dụng Ảnh bên phải ảnh đánh dấu đối tượng, để có so sánh với ảnh gốc có phát súng hay không Từ lập luận trên, giao diện chương trình ứng dụng hình 3.10 3.11 sau: 47 Hình 3.10: Giao diện Hình 3.11: Giao diện nhận diện súng cầm tay Hình ảnh load lên hiển thị ảnh cần kiểm tra bên trái, sau qua ứng dụng kiểm tra, kết hiển thị ảnh khoanh vùng có súng hay khơng ảnh, ảnh kết hiển thị bên phải cửa sổ ứng dụng 48 CHƯƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 4.1 Giới thiệu giao diện chương trình Giao diện chương trình thể hình 3.10 Giao diện chương trình tên chương trình nhận diện súng Nhấn chọn Kiểm Tra Ảnh để qua giao diện nhận dạng hình ảnh Sau xuất cửa sổ hình 3.11 Trong cửa sổ mới, chọn Chọn ảnh để load ảnh cần nhận diện thư mục chứa hình ảnh kiểm tra Trong cửa sổ lựa chọn thư mục chứa ảnh cần chạy thử Trong luận văn chuẩn bị sẵn thư mục images số ảnh để kiểm tra Hình 4.1: Chọn hình cần nhận dạng Hình sau chọn, phần mềm chuyển qua mô hình phát súng huấn luyện bước cho kết hình 4.2 Hình 4.2: Ảnh trước sau nhận diện 49 Sau ảnh load lên kiểm tra, kết chạy cho thấy súng phát (5 súng) với xác suất tương ứng 84%, 87% 64% phát khoanh vùng súng Các súng xa bị che ảnh (có thể 2) hệ thống không nhận dạng Thử nghiệm thực tế thêm với ảnh riêng lẻ khác cho kết hình 4.3 – 4.6 Kết phát khoanh vùng súng xác, từ cho thấy tính đắn mơ hình huấn luyện Hình 4.3: Kết thử nghiệm Hình 4.4: Kết thử nghiệm 50 Hình 4.5: Kết thử nghiệm Hình 4.6: Kết thử nghiệm 4.2 Đánh giá mơ hình Thử nghiệm cho thấy nhiều trường hợp độ xác mơ hình phụ thuộc rõ vào thời gian huấn luyện mơ hình, kết cịn nhiều hạn chế định qua trình nghiên cứu luận văn này, nhận thấy việc sử dụng thuật toán Yolo toán thực tế hoàn toàn khả thi Sau nhiều lần huấn luyện Colab, biểu đồ hiển thị xác thực độ xác trình huấn luyện hiển thị 03 lần train để có so sánh 51 Hình 4.7: Biểu đồ mAP_0.5 Trong đó: Màu đỏ đô (từ 0-200) train với 200 Epoch Màu xanh (từ 0-600) train với 600 Epoch Màu đỏ (từ 0-900) train với 900 Epoch Hình 4.8: Biểu đồ mAP_0.5:0.95 52 Hình 4.9: Biểu đồ precision Hình 4.10: Biểu đồ train/box_loss 53 Hình 4.11: Biểu đồ train/obj_loss Từ số liệu hình 4.7 cho thấy, việc nhận diện súng kết cho độ xác cao huấn luyện nhiều lần 54 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết đạt Đề tài “Ứng dụng deep learning phát số loại súng cầm tay thông dụng qua ảnh” đạt số kết sau:  Nghiên cứu hệ thống kiến thức liên quan tới toán phát đối tượng, phát súng cầm tay  Bổ sung liệu súng gán nhãn cho đối tượng súng toàn 1600 ảnh với tổng cộng 3000 đối tượng khoanh vùng gán nhãn Tạo liệu 4500 ảnh để huấn luyện  Cài đặt huấn luyện mơ hình dựa Yolo v5 Cloud Google với phiên Colab miễn phí  Luận văn hoàn thành mục tiêu nghiên cứu đề Xây dựng phần mềm demo nhận diện súng cầm tay dựa mơ hình huấn luyện Colab  Qua nghiên cứu luận văn này, áp dụng thành cơng mơ hình nhận dạng dựa thuật toán máy học Yolo vào ứng dụng thực tế, mơ hình đạt kết 87,3%, đưa ảnh thực tế vào ứng dụng xác nhận đánh dấu đa số súng ảnh khoản thời gian ngắn 0.5ms, khuyết điểm hội đồng đánh giá số lượng ảnh cịn chưa đủ đa dạng loại súng nên điểm cần cải tiến luận văn Mơ hình chưa nhận diện súng thật súng giả, Mơ hình bước đầu nhận diện súng có ảnh 5.2 Hạn chế Ngồi đề tài cịn có số hạn chế việc thu thập liệu chưa đủ đa dạng loại súng Ngoài camera chưa đủ bao quát hết trường hợp xảy ra, góc độ chụp súng 5.3 Hướng phát triển đề tài Thu thập bổ sung đa dạng liệu loại súng cầm tay huấn luyện lại mơ hình, Phát triển ứng dụng thời gian thực phát súng trực tiếp từ liệu camera giám sát, bước đầu ứng dụng trường CĐCSND II Về lý thuyết video tập hợp ảnh liên tục tiêu chuẩn video phổ biến biết tới 24 khung hình (frame) giây, dể dàng đánh dấu cho 24 hình 55 giây số ảnh video (ví dụ ảnh/giây) điều làm được, mở rộng video TÀI LIỆU THAM KHẢO [1] Trịnh, Trung Hải, Bùi Xuân Thiện, Nguyễn Lê Tùng Khánh, Nguyễn Hà Huy Cường Xây dựng hệ thống nhận dạng phân loại trái chín tiếp cận mạng Nơron tích chập (CNN) ISBN: 978-604-84-5998-7, 2021 [2] Doan Hong Quang (2020) “Phát cháy rừng mạng nơ ron học sâu, dựa khói lửa thu nhận từ camera giám sát” UTEHY Journal of Science and Technology, 26, 92-99 [3] K Simonyan and A Zisserman, "Very deep convolutional networks for large-scale image recognition," Proceedings of the International Conference on Learning Representations, 2015, pp.1-14 [4] Đặng, Thị Mỹ Nhàn, et al Ứng dụng Deep Learning để đếm số lượng xe ôtô nội thành Đà Nẵng 2019 PhD Thesis Trường Đại học Bách khoa - Đại học Đà Nẵng [5] VŨ, Lê Quỳnh Phương, et al Ước lượng mật độ giao thông dựa vào học sâu diện tích 2019 [6] YADAV, Samir S.; JADHAV, Shivajirao M Deep convolutional neural network based medical image classification for disease diagnosis Journal of Big Data, 2019, 6.1: 1-18 [7] Nguyen, Hung-Cuong, et al Unified End-to-End YOLOv5-HR-TCM Framework for Automatic 2D/3D Human Pose Estimation for Real-Time Applications Sensors, 2022, 22.14: 5419 [8] DU, Xiuli, et al A Lightweight Military Target Detection Algorithm Based on Improved YOLOv5 Electronics, 2022, 11.20: 3263 [9] LIU, RuiXi YOLOv5-based automatic targeting system for police In: Third International Conference on Artificial Intelligence and Electromechanical Automation (AIEA 2022) SPIE, 2022 p 711-716 [10] A Forest Fire Detection System Based on Ensemble Learning - Scientific Figure on ResearchGate Available from: https://www.researchgate.net/figure/The-networkarchitecture-of-Yolov5-It-consists-of-three-parts-1-BackboneCSPDarknet_fig1_349299852 [accessed 29 Dec, 2022] [11] Dương Hữu Phước "Xây dựng hệ thống nhận dạng thuộc tính mặt người dựa vào mạng học sâu tích chập" Luận văn Công nghệ thông tin, 2018 [12] Amidi, Afshine, and Shervine Amidi "VIP Cheatsheet: Convolutional Neural Networks" Deep Learning, 2018