Ứng dụng phân tích khuôn mặt vào chống gian lận trong thi cử trực tuyến tích hợp vào hệ thống lms

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS VŨ VĂN THƯƠNG thuongvv.hust@gmail.com Ngành Toán Tin Giảng viên hướng dẫn: TS.Tạ Anh Sơn Viện: Toán ứng dụng Tin học HÀ NỘI, 4/2022 Chữ kí GVHD ĐỀ TÀI LUẬN VĂN Tên học viên: Vũ Văn Thương Mã số học viên: CB190309 Tên đề tài: Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Mã đề tài: 2019B-TOANTIN Hệ : Thạc sĩ khoa học Ngành: Toán Tin Cán hướng dẫn: TS Tạ Anh Sơn Đơn vị: Viện Toán ứng dụng Tin học, Trường Đại học Bách Khoa Hà Nội Chữ kí GVHD Lời cảm ơn Đầu tiên, em xin gửi lời cảm ơn chân thành đến thầy Tạ Anh Sơn hướng dẫn tận tình hướng dẫn đưa góp ý, nhận xét để em hồn thành tốt luận văn Em xin gửi lời cảm ơn chân thành đến thầy cô Viện Toán ứng dụng Tin học, trường Đại học Bách Khoa Hà Nội, người tận tâm truyền đạt kiến thức quý giá cho em suốt trình học tập Ngồi ra, em xin chân thành cảm ơn bạn đồng nghiệp Công ty cổ phần giải pháp phần mềm ZENTSOFT đưa đóng góp q trình thực đề tài Em xin gửi lời cảm ơn đến TS Nguyễn Quang Thuận chủ nhiệm đề tài QG21.51 cấp ĐHQGHN, cảm ơn Trường Quốc Tế - Đại Học Quốc Gia Hà Nội, cảm ơn Công ty cổ phẩn giáo dục Zent Education triển khai giải pháp thử nghiệm sử dụng hệ thống LMS đưa góp ý quan trọng quý báu để em hoàn thiện đề tài tốt Hà Nội, ngày 10 tháng năm 2022 Học viên thực Vũ Văn Thương Tóm tắt nội dung luận văn Mơ hình học tập thi trực tuyến đời phát triển nhanh nước phát triển, từ sinh viên chủ động việc xếp thời gian học tập Tại nước phát triển có Việt Nam, trước việc học tập trực tuyến hay thi trực tuyến cịn có nhiều rào cản Tuy nhiên, từ dịch bệnh Covid-19 hoành hành, trường học bắt buộc phải đóng cửa để đảm bảo phịng chống dịch bệnh Từ vấn đề cấp thiết đặt làm để tổ chức học thi trực tuyến cách hiệu nhất, đảm bảo chất lượng đào tạo tốt Một ứng dụng triển khai vào công tác giảng dạy, quản lý học tập học sinh, sinh viên hệ thống quản lý học tập LMS - Learning Managerment System Tuy nhiên, hệ thống dừng lại việc quản lý học tập, chưa có biện pháp để nâng cao chất lượng đào tạo đảm bảo tối thiểu gian lận trình học thi trực tuyến Luận văn đề xuất giải pháp tích hợp cơng nghệ nhận dạng khn mặt theo dõi ánh nhìn vào hệ thống LMS để cảnh báo sớm trường hợp vi phạm nhằm giảm thiểu gian lận thi cử trực tuyến Kết triển khai thử nghiệm Trường Quốc Tế - Đại học Quốc Gia Hà Nội cho tín hiệu tích cực việc đáp ứng nhu cầu thực tiễn giai đoạn tại, nhằm hỗ trợ nâng cao chất lượng giảng dạy triển khai học thi trực tuyến Từ khóa: CNN, nhận dạng khuôn mặt, nhận dạng cảm xúc, LMS Mục lục PHẦN MỞ ĐẦU 11 TỔNG QUAN CÔNG NGHỆ NHẬN DIỆN KHN MẶT 13 1.1 Giới thiệu tốn nhận dạng khuôn mặt 13 1.2 Các lý thuyết mạng thần kinh 14 1.3 Các thuật tốn nhận dạng khn mặt phổ biến 18 1.3.1 Phương pháp sử dụng đặc trưng cứng (handcrafted) 18 1.3.2 Phương pháp sử dụng mơ hình FaceNet 19 1.3.3 Phương pháp sử dụng mơ hình ArcFace 22 1.4 Tổng quan hệ thống nhận diện khuôn mặt 24 1.5 Kết chương 34 TỔNG QUAN VỀ CƠNG NGHỆ THEO DÕI ÁNH NHÌN TRÊN KHN MẶT 35 2.1 Face Landmark 36 2.2 Theo dõi ánh nhìn từ biểu đồ Face Landmark 39 2.3 Kết chương 43 TÍCH HỢP ỨNG DỤNG PHÂN TÍCH KHUÔN MẶT TRONG CHỐNG GIAN LẬN TRONG THI TRỰC TUYẾN 44 3.1 45 Phân tích hành vi gian lận từ khuôn mặt Ứng dụng phân tích khuôn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS 3.2 Phân tích thiết kế giải pháp 47 3.2.1 Mục đích xây dựng hệ thống giám sát 47 3.2.2 Yêu cầu đạt 48 3.2.3 Mô hình giải pháp 48 3.2.4 Thiết kế xây dựng 49 3.3 Công nghệ sử dụng 54 3.4 Giải pháp tích hợp vào hệ thống LMS 56 3.4.1 Giải pháp tích hợp phiên website 56 3.4.2 Giải pháp tích hợp phiên application 56 3.5 Kết thử nghiệm thực tế 60 3.6 Kết chương 67 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 68 TÀI LIỆU THAM KHẢO 70 Danh sách hình vẽ 1.1 Biểu diễn perceptron dạng neural network 15 1.2 Biểu diễn Linear Regression dạng neural network 16 1.3 Mô tả Nơ-ron thần kinh sinh học 16 1.4 Tư tưởng hoạt động kiến trúc FaceNet 20 1.5 Triplet loss sử dụng FaceNet 21 1.6 Kiến trúc ArcFace 24 1.7 Sơ đồ hoạt động hệ thống nhận diện khn mặt có đeo trang 25 1.8 Đặc trưng HOG hình ảnh khn mặt 26 1.9 Cắc đặc trưng Haar 27 1.10 Sơ đồ khối hệ thống detect khuôn mặt thuật toán Viala-Jones 10 1.11 Ảnh trước sau chạy thuật toán NMS 1.12 Kiến trúc mạng SSD YOLO 12 11 29 29 1.13 Vị trí 68 điểm landmark có khn mặt 1.14 Q trình alignment lại khn mặt 14 28 13 31 31 1.15 Mơ hình q trình huấn luyện kiểm thử mạng CNN cho toán nhận diện khn mặt 15 1.16 Mơ hình xác thực khuôn mặt 16 1.17 Mơ hình nhận dạng khuôn mặt 17 32 33 34 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS 18 2.1 Sơ đồ khối xây dựng mơ hình landmark 2.2 Bản đồ 68 điểm khn mặt 2.3 Kiến trúc mơ hình CNN cho face landmark 2.4 Minh hoạ quy tắc xác định ánh nhìn 2.5 Minh hoạ quy tắc xác định ánh nhìn 19 37 39 20 40 21 41 22 41 2.6 Bộ liệu MPIIGaze 42 3.1 Minh hoạ học online sử dụng điện thoại 3.2 Hệ thống điểm danh lớp học 3.3 Minh hoạ thủ thuật gian lận học thi online 3.4 Mơ hình tổng quan tích hợp FaceID vào LMS 3.5 Danh sách API Face ID API 3.6 Cấu trúc API nhận dạng khuôn mặt 3.7 Cấu trúc API thêm thơng tin người dùng 3.8 Cấu trúc API xố thơng tin người dùng 3.9 Cấu trúc API xố thơng tin người dùng 24 23 45 46 25 47 48 49 50 27 28 29 26 51 30 52 31 53 3.10 Giao diện tham gia phòng thi, xác thực hiển thị thơng tin thí sinh 57 3.11 Xác thực hiển thị thông tin thí sinh đeo trang 58 3.12 Cảnh báo vi phạm thí sinh khơng có mặt khung hình 58 3.13 Cảnh báo vi phạm thí sinh khơng tập trung vào thi, có hướng nhìn ngồi khu vực quan sát 59 3.14 Cảnh báo vi phạm nhìn ngồi phạm vi quan sát 63 3.15 Cảnh báo vi phạm nhìn ngồi phạm vi quan sát 63 3.16 Cảnh báo vi phạm nhìn ngồi phạm vi quan sát 64 3.17 Nhận dạng thí sinh đăng nhập hệ thống 64 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS 3.18 Nhận dạng thí sinh đăng nhập hệ thống 64 3.19 Nhận dạng thí sinh đăng nhập hệ thống 65 3.20 Cảnh báo vi phạm xuất 02 khuôn mặt khu vực quan sát 65 3.21 Cảnh báo sai nhận dạng thí sinh có hình ảnh thí sinh ngồi bàn sau 66 3.22 Cảnh báo sai thí sinh đeo trang nhìn nghiêng 66 Danh sách bảng 1.1 Kết đánh giá liệu LFW phương pháp trích xuất đặc trưng cứng 19 1.2 So sánh ArcFace với phương pháp khác tập LFW YTF 23 2.1 Chia liệu thành nhóm từ tập liệu MPIIGaze 43 2.2 Kết kiểm tra thực thiết bị Macbook PRO 15 2020 43 3.1 Bảng giải mã thông tin nhận từ API kiểm tra ánh nhìn 54 10 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS - Lớp lập trình web front end - Zent Education + Số sinh viên: 12 + Thời gian thử nghiệm: 15 phút + Bảng thống kê kết Tổng số cảnh báo Số Số cảnh báo cảnh báo ghi nhận xác 56 49 88% 9 100% Tỉ lệ xác Ghi Cảnh báo sinh viên trước camera sinh viên đăng nhập hệ thống Cảnh báo sinh viên không xuất khu vực 03 trường hợp đeo trang 12 75% cao, hệ thống không nhận quan sát camera dạng khuôn mặt Cảnh báo sinh viên không 01 trường hợp quay ngang ngồi ngắn 26 24 92% đeo trang nên hệ thống trình thi khơng nhận dạng Cảnh báo xuất 02 trường hợp ghi nhận hình ảnh khn mặt khung hình 78% bạn ngồi bàn vào khung hình 61 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS - Lớp Cơ sở liệu nâng cao - Trường Quốc tế + Số sinh viên: 23 + Thời gian thử nghiệm: 15 phút + Bảng thống kê kết Tổng số cảnh báo Số Số cảnh báo cảnh báo ghi nhận xác 73 69 95% 12 11 92% Tỉ lệ xác Ghi Cảnh báo sinh viên trước camera sinh viên đăng nhập hệ thống Cảnh báo sinh viên không xuất khu vực 01 trường hợp đeo trang 17 16 94% cao, hệ thống không nhận quan sát camera dạng khuôn mặt Cảnh báo sinh viên không 01 trường hợp quay ngang ngồi ngắn 30 29 97% đeo trang nên hệ thống trình thi khơng nhận dạng Cảnh báo xuất 01 trường hợp ghi nhận hình ảnh khn mặt 14 13 khung hình 93% bạn ngồi bàn vào khung hình 62 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Một số hình ảnh thử nghiệm thực tế: Hình 3.14: Cảnh báo vi phạm nhìn ngồi phạm vi quan sát Hình 3.15: Cảnh báo vi phạm nhìn ngồi phạm vi quan sát 63 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Hình 3.16: Cảnh báo vi phạm nhìn ngồi phạm vi quan sát Hình 3.17: Nhận dạng thí sinh đăng nhập hệ thống Hình 3.18: Nhận dạng thí sinh đăng nhập hệ thống 64 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Hình 3.19: Nhận dạng thí sinh đăng nhập hệ thống Hình 3.20: Cảnh báo vi phạm xuất 02 khuôn mặt khu vực quan sát 65 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Hình 3.21: Cảnh báo sai nhận dạng thí sinh có hình ảnh thí sinh ngồi bàn sau Hình 3.22: Cảnh báo sai thí sinh đeo trang nhìn nghiêng 66 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS 3.6 Kết chương Trong chương tơi trình bày phân tích hành vi gian lận từ việc theo dõi khn mặt Qua tơi xây dựng module phát cảnh báo sớm nhằm giảm thiểu gian lận mà phân tích khn mặt giải Những vấn đề trình bày nhằm đáp ứng vấn đề thời diễn cách nhanh chóng cấp thiết Bên cạnh đó, tơi xây dựng công cụ gồm API hỗ trợ tích hợp cho tảng thi trực tuyến sử dụng mục đích giám sát cảnh báo sớm nhằm giảm thiểu gian lận trình diễn thi trực tuyến Ngồi tơi trình bày kết thử nghiệm thực tế tích hợp vào hệ thống LMS đơn vị đào tạo 67 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Luận văn “Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS” trình bày sở kiến thức liên quan đến phân tích khn mặt bao gồm phương pháp mơ hình nhận diện khn mặt theo dõi ánh nhìn Các nhiệm vụ phân tích khn mặt tảng sở cho xây dựng phương pháp phục vụ cảnh báo sớm nhằm giảm thiểu gian lận hệ thống thi trực tuyến Đề tài giải vấn đề sau: • Giới thiệu phương pháp nhận diện khuôn mặt dựa học máy với đặc trưng cứng như: LBP, SIFT, HOG phương pháp dựa mơ hình học sâu: Face Net, ArcFace • Giới thiệu tảng nhiệm vụ nhận diện khuôn mặt hướng tiếp cận phương pháp giải dựa mạng nơ-ron nhận tạo CNN • Tìm hiểu đưa giải pháp theo dõi ánh nhìn từ hình ảnh khn mặt thông qua biểu đồ 68 điểm khuôn mặt • Đề xuất tích hợp nhiệm vụ phân tích khuôn mặt hệ thống thi trực tuyến thông qua API cần thiết • Mơ hình nhận diện khn mặt độ xác lên đến 99.85 %, mơ hình nhận diện cảm xúc đạt độ xác 95 % • Triển khai thực nghiệm API cảnh báo sớm vi phạm nhằm giảm thiểu gian lận hệ thống lên server 68 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS Hướng phát triển Do hạn chế thời gian nên nội dung nghiên cứu đề tài cần phải phát triển để ứng dụng ngày vào hệ thống thi trực tuyến Những nghiên cứu phân tích khn mặt chống gian lận triển khai theo hướng sau: • Nhận diện khuôn mặt theo thời gian thực suốt thời gian thực thi trực tuyến • Nguyên cứu thuật tốn tối ưu nhận diện cảm xúc khn mặt tích hợp nhằm đưa cảnh bảo xác • Tối ưu hố hiệu API để đưa mơ hình hoạt động thiết bị cạnh không cần sử dụng thông qua API • Nghiên cứu đề xuất phương án chống gian lận khác liên quan để giọng nói hành vi • Tích hợp phân tích liệu để đưa cảnh báo, dự đoán kết học tập sinh viên 69 Tài liệu tham khảo [1] GROSS, Charles G.; SERGENT, Justine Face recognition Current opinion in neurobiology, 1992, 2.2: 156-161 [2] Zhao, W., Chellappa, R., Phillips, P J., Rosenfeld, A (2003) Face recognition: A literature survey ACM computing surveys (CSUR), 35(4), 399-458 [3] Albawi, S., Mohammed, T A., Al-Zawi, S (2017, August) Understanding of a convolutional neural network In 2017 international conference on engineering and technology (ICET) (pp 1-6) Ieee [4] Gallant, S I (1990) Perceptron-based learning algorithms IEEE Transactions on neural networks, 1(2), 179-191 [5] Gardner, M W., Dorling, S R (1998) Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences Atmospheric environment, 32(14-15), 2627-2636 [6] Iandola, F N., Han, S., Moskewicz, M W., Ashraf, K., Dally, W J., Keutzer, K (2016) SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size arXiv preprint arXiv:1602.07360 [7] Hochreiter, S (1998) The vanishing gradient problem during learning recurrent neural nets and problem solutions International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 6(02), 107-116 [8] Nanni, L., Ghidoni, S., Brahnam, S (2017) Handcrafted vs non- handcrafted features for computer vision classification Pattern Recognition, 71, 158-172 70 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS [9] Le, V., Brandt, J., Lin, Z., Bourdev, L., Huang, T S (2012, October) Interactive facial feature localization In European conference on computer vision (pp 679-692) Springer, Berlin, Heidelberg [10] Zhang, B., Gao, Y., Zhao, S., Liu, J (2009) Local derivative pattern versus local binary pattern: face recognition with high-order local pattern descriptor IEEE transactions on image processing, 19(2), 533-544 [11] Cruz-Mota, J., Bogdanova, I., Paquier, B., Bierlaire, M., Thiran, J P (2012) Scale invariant feature transform on the sphere: Theory and applications International journal of computer vision, 98(2), 217-241 [12] Dalal, N., Triggs, B (2005, June) Histograms of oriented gradients for human detection In 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05) (Vol 1, pp 886-893) Ieee [13] Mehrotra, R., Namuduri, K R., Ranganathan, N (1992) Gabor filter-based edge detection Pattern recognition, 25(12), 1479-1494 [14] Abdi, H., Williams, L J (2010) Principal component analysis Wiley interdisciplinary reviews: computational statistics, 2(4), 433-459 [15] Huang, G B., Jones, M J., Learned-Miller, E (2008, October) LFW results using a combined Nowak plus MERL recognizer In Workshop on Faces in’Real-Life’Images: Detection, Alignment, and Recognition [16] Schroff, F., Kalenichenko, D., Philbin, J (2015) Facenet: A unified embedding for face recognition and clustering In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 815-823) [17] Martínez-Díaz, Y., Méndez-Vázquez, H., López-Avila, L., Chang, L., Enrique Sucar, L., Tistarelli, M (2018) Toward more realistic face recognition evaluation protocols for the youtube faces database In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp 413421) [18] Kozma, L (2008) k Nearest Neighbors algorithm (kNN) Helsinki University of Technology, 32 71 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS [19] Zhang, C., Liao, Q., Rakhlin, A., Miranda, B., Golowich, N., Poggio, T (2018) Theory of deep learning IIb: Optimization properties of SGD arXiv preprint arXiv:1801.02254 [20] Lydia, A., Francis, S (2019) Adagrad—an optimizer for stochastic gradient descent Int J Inf Comput Sci, 6(5), 566-568 [21] Deng, J., Guo, J., Xue, N., Zafeiriou, S (2019) Arcface: Additive angular margin loss for deep face recognition In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp 4690-4699) [22] Qin, Z., Zhang, Z., Chen, X., Wang, C., Peng, Y (2018, October) Fdmobilenet: Improved mobilenet with a fast downsampling strategy In 2018 25th IEEE International Conference on Image Processing (ICIP) (pp 13631367) IEEE [23] Wang, Y Q (2014) An analysis of the Viola-Jones face detection algorithm Image Processing On Line, 4, 128-148 [24] Viola, P., Jones, M (2001, December) Rapid object detection using a boosted cascade of simple features In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition CVPR 2001 (Vol 1, pp I-I) Ieee [25] Vezhnevets, A., Vezhnevets, V (2005, September) Modest AdaBoost- teaching AdaBoost to generalize better In Graphicon (Vol 12, No 5, pp 987-997) [26] Adelson, E H., Anderson, C H., Bergen, J R., Burt, P J., Ogden, J M (1984) Pyramid methods in image processing RCA engineer, 29(6), 33-41 [27] Devernay, F (1995) A non-maxima suppression method for edge detection with sub-pixel accuracy (Doctoral dissertation, INRIA) [28] Ku, H., Dong, W (2020) Face recognition based on mtcnn and convolutional neural network Frontiers in Signal Processing, 4(1), 37-42 [29] Du, J (2018, April) Understanding of object detection based on CNN family and YOLO In Journal of Physics: Conference Series (Vol 1004, No 1, p 012029) IOP Publishing 72 Ứng dụng phân tích khuôn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS [30] Girshick, R., Donahue, J., Darrell, T., Malik, J (2014) Rich feature hierarchies for accurate object detection and semantic segmentation In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 580-587) [31] Girshick, R (2015) Fast r-cnn In Proceedings of the IEEE international conference on computer vision (pp 1440-1448) [32] Prasad, K S V., D’souza, K B., Bhargava, V K (2020) A downscaled faster-RCNN framework for signal detection and time-frequency localization in wideband RF systems IEEE Transactions on Wireless Communications, 19(7), 4847-4862 [33] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C Y., Berg, A C (2016, October) Ssd: Single shot multibox detector In European conference on computer vision (pp 21-37) Springer, Cham [34] Kutchko, K M., Laederach, A (2017) Transcending the prediction paradigm: novel applications of SHAPE to RNA function and evolution Wiley Interdisciplinary Reviews: RNA, 8(1), e1374 [35] Wu, Y., Ji, Q (2019) Facial landmark detection: A literature survey International Journal of Computer Vision, 127(2), 115-142 [36] Sagonas, C., Antonakos, E., Tzimiropoulos, G., Zafeiriou, S., Pantic, M (2016) 300 faces in-the-wild challenge: Database and results Image and vision computing, 47, 3-18 [37] Koolagudi, S G., Rao, K S (2012) Emotion recognition from speech: a review International journal of speech technology, 15(2), 99-117 [38] Sonka, M., Hlavac, V., Boyle, R (1993) Image pre-processing In Image processing, analysis and machine vision (pp 56-111) Springer, Boston, MA [39] Sebastian V, B., Unnikrishnan, A., Balakrishnan, K (2012) Gray level cooccurrence matrices: generalisation and some new features arXiv preprint arXiv:1205.4831 73 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS [40] Zhao, G., Ahonen, T., Matas, J., Pietikainen, M (2011) Rotation-invariant image and video description with local binary pattern features IEEE transactions on image processing, 21(4), 1465-1477 [41] Suthaharan, S (2016) Support vector machine In Machine learning models and algorithms for big data classification (pp 207-235) Springer, Boston, MA [42] Noriega, L (2005) Multilayer perceptron tutorial School of Computing Staffordshire University [43] Rojas, R (1996) The backpropagation algorithm In Neural networks (pp 149-182) Springer, Berlin, Heidelberg.ansactions on image processing, 21(4), 1465-1477 [44] Zahara, L., Musa, P., Wibowo, E P., Karim, I., Musa, S B (2020, November) The facial emotion recognition (fer-2013) dataset for prediction system of micro-expressions face using the convolutional neural network (cnn) algorithm based raspberry pi In 2020 Fifth International Conference on Informatics and Computing (ICIC) (pp 1-9) IEEE [45] Roberts, R A., Mullis, C T (1987) Digital signal processing AddisonWesley Longman Publishing Co., Inc [46] Sibi, P., Jones, S A., Siddarth, P (2013) Analysis of different activation functions using back propagation neural networks Journal of theoretical and applied information technology, 47(3), 1264-1268 [47] Krizhevsky, A., Sutskever, I., Hinton, G E (2012) Imagenet classification with deep convolutional neural networks Advances in neural information processing systems, 25 [48] Kaddoun, S S., Aberni, Y., Boubchir, L., Raddadi, M., Daachi, B (2021, December) Convolutional Neural Algorithm for Palm Vein Recognition using ZFNet Architecture In 2021 4th International Conference on BioEngineering for Smart Technologies (BioSMART) (pp 1-4) IEEE [49] Sam, S M., Kamardin, K., Sjarif, N N A., Mohamed, N (2019) Offline signature verification using deep learning convolutional neural network (CNN) 74 Ứng dụng phân tích khn mặt vào chống gian lận thi cử trực tuyến tích hợp vào hệ thống LMS architectures GoogLeNet inception-v1 and inception-v3 Procedia Computer Science, 161, 475-483 [50] He, K., Zhang, X., Ren, S., Sun, J (2016) Deep residual learning for image recognition In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 770-778) [51] Kaddoun, S S., Aberni, Y., Boubchir, L., Raddadi, M., Daachi, B (2021, December) Convolutional Neural Algorithm for Palm Vein Recognition using ZFNet Architecture In 2021 4th International Conference on BioEngineering for Smart Technologies (BioSMART) (pp 1-4) IEEE [52] Liu, C., Zoph, B., Neumann, M., Shlens, J., Hua, W., Li, L J., Murphy, K (2018) Progressive neural architecture search In Proceedings of the European conference on computer vision (ECCV) (pp 19-34) [53] Deng, L (2012) The mnist database of handwritten digit images for machine learning research [best of the web] IEEE signal processing magazine, 29(6), 141-142 [54] Recht, B., Roelofs, R., Schmidt, L., Shankar, V (2018) Do CIFAR-10 classifiers generalize to CIFAR-10? arXiv preprint arXiv:1806.00451 [55] Wu, Y., Ji, Q (2019) Facial landmark detection: A literature survey International Journal of Computer Vision, 127(2), 115-142 75