BỘ GIÁO DỰC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ HÀ NỘI LUẬN VĂN THẠC sĩ CHUYÊN NGÀNH: CÔNG NGHỆ THƠNG TIN PHƯƠNG PHÁP GIÁM SÁT Q TRÌNH HỌC TẬP TRỤC TUN DỤ A TRÊN MƠ HÌNH NHẬN DẠNG KHN MẠT sử DỤNG MẠNG NƠRON TÍCH CHẬP PHÍ QC CHÍNH Hà NỘĨ-/2023 BỘ GIÁO DỤC VÀ DÀO TẠO TRƯỜNG ĐẠI HỌC MỜ HÀ NỘI LUẬN VĂN TỐT NGHIỆP THẠC sĩ CHUYÊN NGÀNH: CÔNG NGHẸ THÔNG TIN ĐÈ TÀI PHƯƠNG PHÁP GIÁM SẤT QUÁ TRÌNH HỌC TẠP TRỤC TUYÊN DỤA TRÊN MƠ HÌNH NHẠN DẠNG KHN MẬT sư DỤNG MẠNG NORON TÍCH CHẬP PHÍ QUỐC CHÍNH Hà NỘÌ-/2023 LỜI CAM ĐOAN Tôi xác nhận kết nghiên cứu riêng thực đạo cùa TS Dương Thăng Long Tất thông tin kểt luận công trinh chân thật chưa tiết lộ đâu trước Tôi tự thu thập liệu biểu diễn bàng biểu đồ, nêu rõ nguồn gốc phần tham khảo Trong nghiên cứu, tham chiếu trích dẫn ý kiến liệu từ nhà nghiên cứu tổ chức khác cách rõ ràng Tôi chịu trách nhiệm có phát sai sót thơng tin khơng xác nội dung cơng trình Tác giá luận văn Phí Quốc Chính LỜI CẢM ƠN Trong q trinh hồn thiện cơng trình nghiên cứu này, đà nhận nhiều quan tâm, giúp đỡ góp ý quý báu cá nhân tập thể Đầu tiên, lòng tri ân sâu sắc gửi đến TS Đương Thăng Long, người dành thời gian, chia sẻ kiến thức đóng góp ý kiến đê giúp tơi hồn thiện luận vãn Bên cạnh đó, tơi muốn bày tỏ lịng biết ơn đến tập giảng viên thuộc Khoa Công nghệ thông tin toàn cán giáo viên cùa Trường Đại học Mờ Hà Nội tạo điều kiện tốt cho tơi suốt q trình nghiên cứu Mặc dù tơi nồ lực het mình, khơng tránh khói sai sót Do đó, tơi mong nhận phản hồi từ người đế cơng trình nghiên cứu tơi trờ nên hồn hảo Tơi xin chân thành cảm ơn ! ii MỤC LỤC LỜI CAM ĐOAN i LÒĨ CẢM ON ii DANH MỤC TƯ VIÉT TẢT V DANH MỤC CÁC BẢNG vi DANH MỤC CÁC HÌNH vii MỞ ĐÀU ix 1.1 Tên đề tài ix 1.2 Đặt vấn đề ix 1.3 Mục tiêu nghiên cứu X 1.4 Đối tượng phạm vi nghiên cứu X 1.5 Phương pháp nghiên cứu X 1.6 Nội dung nghiên cứu X CHƯƠNG 1:GIỚI THIỆU VÈ NHẬN DẠNG KHUÔN MẬT VÀ MẠNG NƠRON TÍCH CHẬP 1.1 Hệ thống nhận dạng khuôn mặt 1.2 Mạng nơron 1.3 Mạng nơron tích chập 13 1.4 Một số kiến trúc mạng CNN tiêu biểu 24 1.5 ứng dụng cùa mạng nơron thực tế 25 iii CHƯƠNG 2: NHẬN DẠNG KHUÔN MẬT DỰA TRÊN PHƯƠNG PHÁP HỌC CHUYẾN GIAO CỦA MẠNG NƠRON TÍCH CHẶP 28 2.1 Xây dựng mạng nơron CNN nhận dạng khuôn mặt 28 2.2 Phương pháp học chuyển giao (Transfer Learning) 36 2.3 Kiến trúc mạng VGG 38 2.4 Kiến trúc mạng Resnet 42 2.5 Áp dụng phương pháp học chuyển giao với mạng VGG Resnet vào tốn nhận dạng khn mặt 46 CHƯƠNG 3: XÂY DựNG CHƯƠNG TRÌNH MƠ PHỎNG VÀ KÉT QUẢ THỤC NGHIỆM 49 3.1 Phân tích tốn 49 3.2 Các thư viện sử dụng 49 3.3 Các mô-đun chương trình 51 3.4 Cấu trúc lưu liệu .53 3.5 Triển khai chương trình 54 KÉT LUẬN VÀ KIẾN NGHỊ 62 4.1 Kết luận 62 4.2 Kiến nghị 62 DANH MỤC TÀI LIỆU THAM KHẢO 63 iv DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt Ý nghĩa đầy đủ CSDL Cơ sở liệu ANN Mạng nơron nhân tạo (Artificial Neural Network) Mạng nơron tích chập (Convolution Neural CNN Network) VGG Visual Geometry Group RELU Hàm kích hoạt (Rectified Linear Unit) CONV Lớp nơron tích chập DANH MỤC CÁC BẢNG Bâng 2.1: Ví dụ liệu phân lớp mơ hình CNN 35 Băng 2.2: Các biến thể mơ hình VGG 40 Bảng 3.1: Các tham số chạy thử nghiệm 57 Bàng 3.2: Ket quà nhận dạng tập kiếm tra 57 Bảng 3.3: So sánh kết q mơ hình 57 Bảng 3.4: Bảng kết thử nghiệm tập kiếm tradữ liệu thực tế 61 vi DANH MỤC CÁC HÌNH Hình 1.1: Ví dụ nhận dạng khn mặt Hình 1.2: cấu trúc tổng quát hệ thống nhận dạng khn mặt Hình 1.3: Mạng nơron sinh học Hình 1.4: cấu trúc mạng nơron Hình 1.5: Một số hàm truyền thông dụng Hình 1.6: Mạng truyền thẳng (Feed-forward neural network) Hình 1.7: Mạng nơron hồi quy (Recurrent neural network) 10 Hình 1.8: Mơ hình huấn luyện mạng có giám sát 11 Hình 1.9: Mơ hình huấn luyện mạng khơng giám sát 12 Hình 1.10: Mơ hình huấn luyện mạng tăng cường 12 Hình 1.11: Góc nhìn cùa máy tính trước hình 14 Hình 1.12: Mạng nơ-ron thơng thường (trái) CNN (phải) 15 Hình 1.13: Kiến trúc CNN 16 Hình 1.14: cấu trúc tồng quát mạng nơron tích chập 17 Hình 1.15: Minh họa tích chập ma trận ảnh 18 Hình 1.16: Minh họa tích chập chiều 19 Hình 1.17: Lớp hàm kích hoạt - RELU (Rectified Linear Unit) 22 Hình 1.18: Cơng thức hàm softmax cho mạng nơron 23 Hình 1.19: Một số mơ hình CNN với kiến trúc đại 24 Hình 1.20: ứng dụng thị giác máy tính nhận dạng phương tiện 26 Hình 1.21: ứng dụng chatbot thực tế 27 Hình 2.1: Sơ đồ quy trinh nhận diện khuôn mặt 28 Hình 2.2: Đặc trưng cạnh(edge feature) 29 Hình 2.3: Đặc trưng đường(line feature) 30 Hình 2.4: Đặc trưng xung quanh tâm(center-surround features) 30 Hình 2.5: Kiến trúc dạng khối mơ hình CNN 32 Hình 2.6: Một ành đầu vào kích thước 100x90x1 (đa cấp xám) 32 Hình 2.7: Hình ảnh sau xử lý khối B2 lớp nơron POOL 34 vii Hình 2.8: Hình ành kết quà xử lý sau B5, B7 B9 34 Hình 2.9: Một số biện pháp học chuyển giao CNN 37 Hình 2.10: Kiến trúc mơ hình VGG 39 Hình 2.11: Vanishing Gradients 42 Hình 2.12: Residual Module vài lớp cùa ResNet .44 Hình 2.13: Mơ tà chi tiết kiến trúc mạng noron Resnet .45 Hình 3.1: Thư viện hồ trợ huấn luyện TensorFlow .50 Hình 3.2: cấu trúc lưu liệu thư mục 53 Hình 3.3: cấu trúc lưu tên thư mục 54 Hình 3.4: Một số ành tập liệu 56 Hình 3.5: Đăng ký khn mặt (góc quay phải) 59 Hình 3.6: Đăng ký khn mặt (góc quay trái) 59 Hình 3.7: Bộ ảnh khn mặt lưu thư mục .60 Hình 3.8: Nhận diện khuôn mặt 60 Hình 3.9: Ti lệ nhận dạng khn mật chương trình thực nghiệm 61 viii xác ? Phần ứng dụng thừ nghiệm chưa làm rõ sử dụng mơ hình giám sát trình học tập nào? Một số ý kiến chình sửa chi tiết sau: Rà sốt, chình sửa trình bày, lỗi soạn thào văn bản, chinh lại khuôn 1) dạng doạn văn theo chuẩn, bảng biểu/hình võ Bổ sung trích dẫn tài liệu tham khảo cho phần trình bày chương I chương 2) 2, dặc biệt mạng học sâu sử dụng VGG Resnet Phần trình bày kiến trúc mạng VGG Rcsnel chương không cần chi tiết 3) dến mã lệnh (trang 47-49) Phần trọng tâm mơ hình giải tốn sử dụng VGG Rcsnet mục 2.5 4) cần viết lại theo mội dung sau: Bổ sung mơ hình mạng giải toán sử dụng prc-train VGG - Rcsnct Bổ sung trình thu thập liền xử lý liệu ảnh, kết thu dược - ảnh sử dụng dể huấn luyện tiếp/gán nhãn ? - Bổ sung nội dung huấn luyện mơ hình, tham sổ mơ hình, kết thực thi mơ hình tập kiểm tra với dộ dánh dộ xác, recall 5) chương trình bày việc ứng dụng mơ hình chương trinh thừ nghiệm, cần làm rõ sử dụng mô hình (VGG, Rcsnct) phương pháp giám sát học lập sử dụng mơ hình nhận dạng ? Kết luận: - Dồng ý cho học viên Phí Quốc Chính dược bảo vệ trước hội dồng dánh giá luận văn thạc sỹ - Đồ nghị học viên chình sừa/bổ sung luận văn theo ý kiến góp ý Hà Nội, ngày 28 tháng 05 năm 2023 Nguôi nhận xét Nguyễn Long Giang 2/2 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯÒNG ĐẠI HỌC MỞ HÀ NỘI Số: 2ífáỹQĐ-ĐHM CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc Hà Nội, ngàydlỉ tháng 07 năm 2023 QUYÉT ĐỊNH việc thành lập Hội đồng đánh giá luận văn tốt nghiệp thạc sĩ HỆU TRƯỜNG TRƯÒNG ĐẠI HỌC MỞ HÀ NỘI Căn ác Quyết định số 535-TTg ngày 03/11/1993 Thủ tướng Chính phủ việc thành lập Viện Đại học MởHà Nội; Căn Quyết định sổ 960/QĐ-TTg ngậy 06/08/2018 Thủ tướng Chính phủ việc ban hành Danh sách đơn vị nghiệp công lập trực thuộc Bộ Giáo dục Đào tạo (Trường Đại học Mở Hà Nội đoi tên tù' Viện Đại học Mở Hà Nội); Căn Nghị số 6068/2020/NQ-ĐHM-HĐT ngày 24/12/2020 cùa Hội đồng trường Trường Đại học Mở Hà Nội vê việc ban hành Quy chê tô chức hoạt động Trường Đại học Mở Hà Nội; Căn Quyết định sổ 546/QĐ-TTg ngày 15/05/2008 Thủ tướng Chính phủ việc giao nhiệm vụ đào tạo thạc sĩcho Viện Đại học Mờ Hà Nội; Căn Thông tư sổ 15/2014/TT-BGDDT ngày 15/05/2014 cùa Bộ trưởng Bộ Giáo dục Đào tạo việc ban hành Quy chế đào tạo trình độ thạc sĩ; Căn Qưyết định số 286/QĐ-ĐHM ngày 02/06/2014 Viện trưởng Viện Đại học McMHfP Nội việc ban hành Qui định đào tạo trình độ thạc sĩcùa Viện Đại họcMỞHàNội; Xét đề nghị Phòng Quàn lý Đào tạo Tờ trình số 670/TT'-QLĐTngày 18/7/2023; Ỉ! ĐẠI HOC Theo đề nghị Trưởngphòng Quàn lý Đào tạo \ HÁ NỘ QUYÉT ĐỊNH: Điều Thành lập Hội đồng đánh giá luận vãn tốt nghiệp thạc sĩ cho học viên: Họ tên: Phí Quốc Chính Mã học viên: 18K10010016 Ngày sinh: 22/11/1972 Giới tính: Nam Ngành: Cơng nghệ thơng tin Mã ngành: 8480201 Khóa học: 2018-2020 Tên đề tài: “Phuong pháp giám sát trình học tập trực tuyến dựa mơ hình nhận dạng khn mặt sù’ dụng mạng noron tích chập” Người hướng dẫn: TS Dương Thăng Long - Trường Đại học Mở Hà Nội Hội đồng đánh giá luận văn thạc sĩ gồm thành viên sau: TT Họ tên, học hàm, học vị GS.TS Đặng Quang Á Trường Đại học Mờ Hà Nội TS Đinh Tuấn Long Trường Đại học Mở Hà Nội Thư ký PGS.TS Nguyễn Long Giang Viện Công nghệ Thông tin Phản biện TS Lương Cao Đông Trường Đại học Đại Nam PGS.TS Đặng Thành Phu Trường Đại học Mở Hà Nội Phàn biện ủy viên Cơ quan công tác Chức trách HĐ Chủ tịch Điều Hội đồng đánh giá luận văn tốt nghiệp thạc sĩ có trách nhiệm tổ chức đánh giá luận văn thòi hạn 60 ngày làm việc, kể từ ngày ký định thành lập Hội đồng Hội đồng tự giải thể sau hồn thành nhiệm vụ ỉ Điều Trưởng phịng Qn lý Đào tạo, Trường Khoa Công nghệ thông tin, Trưởng đơn vị thuộc Trường, thành viên có tên hội đồng học viên chịu trách nhiệm thi hành Quyết định này./ Nơi nhận: - Như Điều 3; -Lưu: VT.QLĐT 'RƯỜNG '/trương „ R^S.jTS^gtlygn Thị Nliun; Bộ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ HÀ NỘI Số: 1446/QĐ- ĐHM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc Hà Nội, ngày 19 tháng 03 năm 2021 QUYẾT ĐỊNH việc giao đề tải luận văn tốt nghiệp Thạc sĩ cử người hướng dẫn khoa học HIỆU TRƯỞNG TRƯÒNG ĐẠI HỌC MỞ HÀ NỘI Căn Quyết định sổ 535/ TTg ngày 03/11/1993 Thủ tướng Chính phủ việc thành lập Viện Đại học Mở Hà Nội; Căn Quyết định sổ 960/QĐ-TTg ngày 06/08/2018 cùa Thủ tướng Chính phủ việc ban hành danh sách đon vị nghiệp công lập trực thuộc Bộ Giáo dục Đào tạo (Trường Đại học Mở Hà Nội đối tên từ Viện Đại học Mở Hà Nội); Căn Quyết định số 941/QĐ-TTg ngày 03/07/2017 Thù tướng Chỉnh phủ việc phê duyệt Đề án thí điểm đồi chế hoạt động Viện Đại học Mở Hà Nội; Căn Nghị qựyết số 6068/2020/NQ-ĐHM-HĐT ngày 24/12/2020 Hội dồng trường Trường ĐHMở Hà Nội việc ban hành qựy chế tổ chức hoạt dộng Trường ĐHMở Hà Nội; Căn Quyết định sổ 546/QĐ-TTg ngày 15/05/2008 Thủ tướng Chính phủ việc giao nhiệm vụ đào tạo Thạc sỹ cho Viện Đại học Mở Hà Nội; Căn Thõng tư số 15/2014/TT-BGDĐT ngày 15/05/2014 cùa Bộ trưởng Bộ Giáo đục Đào tạo việc ban hành Quy chế tạo trình độ thạc sĩ; Căn Quyết định sổ 286/QĐ - ĐHMngày 02/06/2014 cửa Viện trưởng Viện Đại học Mở Hà Nội việc ban hành qui định tạo trình độ thạc sĩ Viện Đại học Mờ Hà Nội; Căn Quyết dịnh sẩ ỉ442/QĐ- ĐHMngày 19/03/2021 cỉta Hiệu trưởng Trường Đại học Mở Hà Nội việc cho phép học viên thực dề tài luân văn tốt nghiệp thạc sĩ; Xét dề nghị Trưởng Phòng QL Đào tạo QUYẾT ĐỊNH: ©iều Giao cho học viên Phí Quốc Chính - sinh ngày: 22/11/1972 Đề tài luận văn: “Phưong pháp giám sát trình học tập trực tuyến dựa mơ hình nhận dạng khn mặt sử dụng mạng nơron tích chập” Ngành: Cơng nghệ thơng tin Mã số: 8480201 Khóa học: 2018 - 2020 Người hướng dẫn khoa học: TS Dirong Thăng Long Thời gian thực hiện: Từ 19/03/2021 đến ngày 19/09/2021 Điều Học viên, người hướng dẫn khoa học hường quyền thực nghĩa vụ theo quy chế đào tạo trình độ thạc sĩ Bộ Giáo dục Đào tạo, Quy định đào tạo trình độ thạc sĩ Trường Đại học Mờ Hà Nội Điều Trng Phịng Qn lý Đào tạo, Trưởng Khoa Công nghệ thông tin, Trưởng đơn vị thuộc Trường, học viên người hướng dẫn khoa học (có tên Điều 1) chịu trách nhiệm thi hành Quyết định này^Oi Nơi nhận: HIỆU TRƯỜNG ' -Như điều 3; -LưuP.QLĐT.VT Trưong Tiến Tùng víƠ‘HịNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN D https://js.hou.edu.vn/houjs/articlc/view/76 Tẽn quan chủ quàn: Trương Đại học Mơ Hà Nội Tên quan báo chí: TẠP CHÍ KHOA HỌC TRƯỜNG ĐẠI HỌC MỜ HÀ NỘI (Journal of Science Hanoi Open University) Trang chù / LƯU trữ / số 91 Tháng - 2022 / Nghiên cứu trao đối MƠ HÌNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN DẠNG KHN MẶT VÀ BIỂU CẢM CHO ỨNG DỤNG HỖ TRỢ GIÁM SÁT HỌC TRựC TUYẾN Dương Thăng Long, Chu Minh, Phí Quốc Chính Từ khóa: Mạng nơron tích chập đa nhiệm, nhận dạng khn mặt, nhận dạng biểu cảm khuôn mặt, hệ thống quàn lý học tập trực tuyến Tóm tắt Hệ thống quản lý học tập trực tuyến (LMS) phát triền mạnh, góp phẩn nâng cao chất lượng đào tạo Tuy nhiên, việc tăng cường giám sát hỗ trợ người học, theo dõi quản lý học tập dựa công nghệ đại chưa nghiên cứu sâu rộng Đặc biệt ứng dụng công nghệ nhận dạng khuôn mặt biểu cảm khuôn mặt giúp cho việc theo dõi, giám sát người học tự động hoá cao độ hỗ trự kịp thời Bằng việc ứng dụng cơng nghệ mạng ndron tích chập đa nhiệm (MTCNN), nghiên cứu đề xuất mõ hĩnh MTCNN nhằm 1:24 CH 23/06/2023 MƠ HÌNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN D https://js.hou.edu.vn/houjs/article/view/76 thực hai nhiệm vụ nhận dạng khuôn mặt nhận dạng biểu cầm khn mặt Mơ hình thử nghiệm tập liệu cõng bố gồm CK+, OuluCASIA liệu người học thu thập cho kết quà khả quan so sánh với số kiến trúc đại kích thước mõ hình đdn giàn Chúng tơi thiết kế tích hợp mơ hình đê xuất với hệ thống quàn lý học tập trực tuyến (LMS) theo hướng kết nối mở đề gia tăng thêm tính giám sát theo dõi trình học tập, chủ động cành báo cho giáo viên, người học biết đề điều chỉnh hoạt động dạy học nhằm nâng cao chất lượng đào tạo Tài liệu tham khảo [1], Duong Thang Long, A [ghtweight Face Recognition Model Using Convolutional Neural Network for Monitoring Students in E-Learning, I.J Modern Education and Computer Science, vol.6, pp.16-28, 2020 [2], Francisco D Guillen-Gamez, Facial authentication software for the identification and verification of students who use virtual learning platform (LMS), Advances in Educational Technology and Psychology, 1:1-8 Clausius Scientific Press, Canada, 2017 [3], Ayham Fayyoumil and Anis Zarrad, Novel Solution Based on Face Recognition to Address Identity Theft and Cheating in Online Examination Systems, Advances in Internet of Things, 2014, 4, 5-12 [4] Ekberjan Dermanl and Albert All Salah, Continuous RealTime Vehicle Driver Authentication Using Convolutional Neural Network Based Face Recognition, 3th IEEE International Conference on Automatic Face & Gesture Recognition (FG), 2018 [5], Shan [ and Weihong Deng, Deep Facial Expression Recognition - A Survey, IEEE Transactions on Affective Computing, 2020 ưong 1:24 CH 23/06/2023 40'HJNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN D https://js.hou.edu.vn/houjs/artide/view/76 [6], Vijayan K Asari and et al., A state-of- the-Art Survey on Deep Learning Theory and Architectures, Electronics, 8,292,2019 [7], G Zhao, X Huang, and et al., Facial expression recognition from near-infrared videos, Image and Vision Computing, 29(9):607-619, 2011 [8] I.Michael Revina and W.R Sam Emmanuel, A Survey on Human Face Expression Recognition Techniques, https:// doi.org/10.1016/j.jksuci.2018.09.002, 2018 [9], Hanzi Wang et al., Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification, https://arxiv.org/ abs/2002.03683, 2020 [10], Haoran Ma et al., A multi-task CNN learning model for taxonomic assignment of human viruses, BMC Bioinformatics 22:194, 2021 [11], Zhaoying [u et al., A Multi-Task CNN for Maritime Target Detection, IEEE Signal Processing Letters, Vol 28, 2021 [12] Dinh Viet Sang and Le Tran Bao Cuong, Effective Deep Multi-source Multi-task Learning Frameworks for Smile Detection, Emotion Recognition and Gender Classification, Informatica, vol.42, pp.345-356,2018 [13] Diederik p Kingma and Jimmy Lei Ba, Adam-A Method for Stochastic Optimization, Published as a conference paper at ICLR 2015 [14], Xavier Glorot and Yoshua Bengio, Understanding the difficulty of training deep feedforward neural networks, Proceedings of the 13th International Conference on Artificial Intelligence and Statistics (AISTATS), 2010 [15] Patrick Lucey et al., The Extended Cohn- Kanade Dataset (CK+ dataset), IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Workshops, 2010 [16], Duong Thang Long, A Facial Expressions Recognition > 1:24 CH 23/06/2023 MƠ HÌNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN D https://js.hou.edu.vn/houjs/article/view/76 Method Using Residual Network Architecture for Online Learning Evaluation, Journal of Advanced Computational intelligence Informatics, Voi.25 No.6,2021 [17] Chunrui Han and et al., Face Recognition with Contrastive Convolution, ECCV, DOI:10.1007/978-3-030-01240-3_8, 2018 [18] Kaiming He et al., Identity Mappings in Deep Residual Networks, arXiv:1603.05027v3 [cs.CV] 25 Jul 2016 1:24 CH 23/06/2023 MƠ HÌNH MẠNG NƠRON TÍCH CHẬP ĐA NHIỆM NHẬN D https://js.hou.edu.vn/houjs/article/view/76 ® FILETCKH SỐ SỐ 91 Tháng 5-2022 HANOI OPEN UNIVERSITY Cd quan chù quàn: Trường Đại học Mở Hà Nội Cơ quan xuất bàn: Tạp chí Khoa học Trường Đại học Mở Hà Nội Địa chì: B101 Nguyễn Hiền, Hai Bà Trưng, Hà Nội Giấy phép SO 342/GP-B111 I ngày 03/09/2013 Giấy phép sửa đối, bổ sung số 112/GPB i I I I ngày 26/3/2020 cùa Bộ Thông tin Truyền thơng THƠNG TIN LIÊN HỆ • Tống biên tập: TS Trương Tiến Tùng • Phó Tổng biên tập: PGS.TS Nguyền Mai Hương • Thư ký tịa soạn: PCS.TS Phạm Thị Tâm • Website: http://js.hou.edu.vn/houjs • Email: tapchikhoahoc@hou.edu.vn • Điện thoại: 0243.8684.484 1:24 CH 23/06/2023