Ứng dụng mạng cnn trong phân loại hình ảnh. ......bạn có thể tạo một CNN xác minh xem từng khung hình chiếu cái gì. CNN được dạy bằng cách xem nhiều hình ảnh phức tạp được con người đánh dấu. AI học cách nhận diện ô tô, xe, động vật… bằng cách nhìn vào ảnh đã được con người gắn nhãn, so sánh pixel trong ảnh với nhãn dán mà nó biết rồi sắp xếp vào các mục mà nó đã được dạy. Để hiểu rõ hơn về mô hình mạng CNN, nhóm đã thực hiện nghiên cứu và tìm hiểu Ứng Dụng Mạng CNN trong phân loại hình ảnh.
BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CƠNG NGHỆ THƠNG TIN BÁO CÁO THÍ NGHIỆM / THỰC NGHIỆM HỌC PHẦN: TRÍ TUỆ NHÂN TẠO Đề tài: Ứng dụng mạng CNN phân loại hình ảnh Hà Nội, 2022 Mục Lục Contents LỜI NÓI ĐẦU Chương 1: Mở đầu 1.1 Tên đề tài 1.2 Lý chọn đề tài .6 1.3 Mục tiêu đề tài 1.4 Phương pháp nghiên cứu 1.5 Đối tượng nghiên cứu 1.6 Phạm vi nghiên cứu Chương 2: Tổng quan Neutral Network 2.1 Giới thiệu Neural network Hình 2.2.1: Single-layer feedforward network 10 Hình 2.3.2: Mơ hình mạng Perceptron 12 2.4 Ứng dụng Neural Networks 12 2.5 Ảnh máy tính .13 Hình 2.5.1: Vector v kích thước n, ma trận W kích thước m*n 14 Hình 2.5.2: Hình hộp chữ nhật kích thước a*b*h 15 Hình 2.5.3: ảnh màu kích thước 28*28, biểu diễn dạng tensor 28*28*3 .15 Hình 2.5.4: Phép tính tích chập .16 Hình 2.5.5: Ma trận X thêm viền bên ngồi 17 Hình 2.5.6: stride=1, padding=1 17 Hình 2.5.7: padding=1, stride=2 18 2.6 Convolutional neural network (CNN) 18 Hình 2.6.1 Mơ tả phép tính tích chập convolution .19 Hình 2.6.2: Ví dụ lớp convolution .20 Hình 2.6.3 Fully Connected Layer .21 Hình 2.6.4: Ví dụ mơ hình CNN 22 Hình 2.6.5: Ví dụ pooling layer 23 Hình 2.6.6: Fully connected layer 23 2.7 Cách Convolutional Neural Network hoạt động 23 2.8 Phân loại ConvNet 25 2.9 Một số mạng CNN tiếng 26 Hình 2.9.1: Minh họa kiến trúc VGG16 27 Hình 2.9.2: Mơ hình kiến trúc mạng RESNET 29 Hình 2.9.3 Phần trăm training error test error mạng RESNET .29 Chương 3: Xây dựng ứng dụng 30 3.1 Phân tích tốn 30 3.2 Các bước thực .30 3.3 Kết Quả 38 Tài Liệu Tham Khảo .40 LỜI NÓI ĐẦU Với phát triển khoa học kỹ thuật ngày nay, Artificial Intelligence (AI) trở thành lĩnh vực phát triển nhiều tổ chức giới nhằm mục đích mơ lại trình học tập tư suy nghĩ người Trong có người cho phát triển nhanh chóng AI số việc làm người bị đào thải thay máy móc, chuyên gia lại cho AI giúp ích nhiều việc tăng hiệu suất làm việc cho Các nhà khoa học cho não sinh vật sống xử lý thông tin mạng thần kinh Não người có khoảng 100 tỉ tỉ khớp thần kinh - khoảng cách dây thần kinh - tạo nên đường định kích hoạt Khi người nghĩ, nhớ hay trải nghiệm giác quan, người ta cho đường thần kinh sáng lên não Bộ não người nguồn cảm hứng cho kiến trúc mạng nơ-ron Các tế bào não người, gọi nơ-ron, tạo thành mạng lưới phức tạp, có tính liên kết cao gửi tín hiệu điện đến để giúp người xử lý thông tin Tương tự, mạng nơ-ron nhân tạo tạo từ tế bào nơ-ron nhân tạo, phối hợp để giải vấn đề Mơ hình mạng noron tích chập (CNN) lý thuyết xuất từ khoảng năm 40s với phát triển phần cứng thuật toán hiệu quả, chúng ngày trở nên mạnh mẽ Trong GAN cố lừa bên đối lập CNN, liệu lọc qua nhiều lớp phân mục Chúng chủ yếu dùng để nhận diện hình ảnh xử lý ngơn ngữ văn Nếu có hàng tỉ video cần phân tích, bạn tạo CNN xác minh xem khung hình chiếu CNN dạy cách xem nhiều hình ảnh phức tạp người đánh dấu AI học cách nhận diện ô tô, xe, động vật… cách nhìn vào ảnh người gắn nhãn, so sánh pixel ảnh với nhãn dán mà biết xếp vào mục mà dạy Để hiểu rõ mơ hình mạng CNN, nhóm thực nghiên cứu tìm hiểu Ứng Dụng Mạng CNN phân loại hình ảnh Nhóm em xin chân trọng cảm ơn! Chương 1: Mở đầu 1.1 Tên đề tài - Ứng dụng mạng CNN phân loại hình ảnh 1.2 Lý chọn đề tài - Ngày kĩ thuật mạng noron nghiên cứu phát triển rộng rãi Ứng dụng CNN vào vấn đề nhận diện đối tượng, phân loại đối tượng tốt Trong năm gần , nhận diện hình ảnh phân tích hình ảnh trở thành chủ đề nóng hội thảo , hình ảnh phân tích để áp dụng cho ứng dụng phân tích tình , dự đốn tình , … lĩnh vực AI học , giao thơng thơng minh Chính chủ đề “Phân tích ảnh thuật tốn CNN” chủ đề chúng em chọn dựa nhu cầu thực tiễn 1.3 Mục tiêu đề tài - Nhận diện hình ảnh , phân tích ảnh trường hợp ảnh xấu , không rõ nét - Hiển thị kết phân tích dựa liệu truyền vào 1.4 Phương pháp nghiên cứu - Sử dụng liệu thu thập từ nhiều nguồn Internet - Sử dụng kiến thức nghiên cứu để tiến hành viết chương trình, báo cáo thí nghiệm/thực nghiệm 1.5 Đối tượng nghiên cứu - Thuật toán CNN áp dụng cho toán phân loại 1.6 Phạm vi nghiên cứu - Dữ liệu tập ảnh mạng, thu tập, gồm ảnh động vật, vật, đồ vật, có ảnh đẹp, ảnh xấu Chương 2: Tổng quan Neutral Network 2.1 Giới thiệu Neural network - Neural tính từ neuron (nơ-ron), network cấu trúc đồ thị nên neural network (NN) hệ thống tính tốn lấy cảm hứng từ hoạt động nơ-ron hệ thần kinh Hình 2.1: Tế bào nơ-ron - Hoạt động nơ-ron: + Nơ-ron đơn vị cấu tạo hệ thống thần kinh phần quan trọng não Não gồm khoảng 10 triệu nơ-ron nơ-ron liên kết với 10.000 nơ-ron khác + Ở nơ-ron có phần thân (soma) chứa nhân, tín hiệu đầu vào qua sợi nhánh (dendrites) tín hiệu đầu qua sợi trục (axon) kết nối với nơ-ron khác Hiểu đơn giản nơ-ron nhận liệu đầu vào qua sợi nhánh truyền liệu đầu qua sợi trục, đến sợi nhánh nơ-ron khác + Mỗi nơ-ron nhận xung điện từ nơ-ron khác qua sợi nhánh Nếu xung điện đủ lớn để kích hoạt nơ-ron, tín hiệu qua sợi trục đến sợi nhánh nơ-ron khác + Mơ hình neural network lấy cảm hứng từ não cách hoạt động, khơng phải bắt chước tồn chức Hình 2.1.1: Mơ hình neural network + Layer input layer, layer gọi hidden layer, layer cuối gọi output layer Các hình trịn gọi node + Mỗi mơ hình ln có input layer, output layer, có không hidden layer Tổng số layer mô hình quy ước số layer – (Khơng tính input layer) + Mỗi node hidden layer output layer : * Liên kết với tất node layer trước với hệ số w riêng * Mỗi node có hệ số bias b riêng * Diễn bước: tính tổng linear áp dụng activation function Trong tổng linear tổng giá trị đầu vào, activation function hàm kích hoạt mạng 2.2 Các loại Neural Networks - Có loại Neeural Networks Single-layer feedforward network Multilayer feedforward network: + Single-layer feedforward network: Một Single-layer network loại mạng feedforward network chiếu đầu vào từ lớp nút nguồn lớp đầu neuron (computation nodes) “Single layer” phép tính thực lớp nhất, lớp đầu Khơng có tính tốn thực lớp đầu vào nút nguồn 10 Hình 2.2.1: Single-layer feedforward network + Multilayer feedforward network: Một Multilayer network feedforward network với layer nút nguồn, nhiều layer ẩn lớp neurons lớp đầu neuron (Hình 1.3) Cả lớp ẩn lớp đầu bao gồm nút tính tốn Thuật ngữ lớp “Ẩn” đề cập đến thực tế lớp khơng nhìn thấy trực tiếp từ đầu đầu vào mạng chúng nhận đầu vào từ nút nguồn nút lớp ẩn trước kết đầu mạng