Đánh giá chất lượng bài báo “jcr acf cho tính năng nhận diện khuôn mặt cho một mẫu thí nghiệm Đơn”

Khi đọc bài báo nghiên cứu khoa học: ❖ Ghi lại những thắc mắc, nghi v n, nhấ ận xét ủa bạ c n v ề bài báo ❖ Gạch dưới, tô đậm, đánh dấu những vấn đề quan trọng trong bài báo ❖ So sánh nộ

TRÌNH BÀY BÀI BÁO NGHIÊN CỨU KHOA HỌC

ĐÁNH GIÁ CHẤT LƯỢNG BÀI BÁO:

“JCR-ACF CHO

MỘT MẪU THÍ NGHIỆM ĐƠN”

NHÓM 2:

1 LÊ HỒNG THI - MÃ HỌC VIÊN: 2084801012007

2 NGUYỄN LÊ KHANG - MÃ HỌC VIÊN: 2084801012002

3 PHẠM VIẾT LU T Ậ - MÃ HỌC VIÊN: 2084801012003

4 T Ạ THỊ HỒNG TRÂM - MÃ HỌC VIÊN: 2084801012008

GI ẢNG VIÊN: PGS.TS LÊ HOÀNG THÁI

Tp H ồ Chí Minh, ngày 20 tháng 01 năm 2021

1 Khi đọc bài báo nghiên cứu khoa học:

❖ Ghi lại những thắc mắc, nghi v n, nhấ ận xét ủa bạ c n v ề bài báo

❖ Gạch dưới, tô đậm, đánh dấu những vấn đề quan trọng trong bài báo

❖ So sánh nội dung bài báo đang đọc với những bài báo đã được đọc

✓ Tìm ra những đóng góp mới trong khoa học

✓ Tìm ra phương pháp mới thực hiện nghiên cứu

 Xây dựng các giả thiết nghiên cứu mới theo hướng m lở ối đi riêng cho bạn

❖ Tóm tắt ng n gắ ọn bài báo

✓ Câu hỏi nghiên cứu

✓ Câu trả ời bài báo cung cấ l p

✓ Kết luận được rút ra từ bài báo

2 Cấu trúc một bài báo khoa học:

❖ Nghiên cứu định lượng thông thường theo cấu trúc IMRD truyền thống

▪ Introduction: Giới thiệu

▪ Methodology: Phương pháp

▪ Results: Kết quả

▪ Discussion: Thảo lu n ậ

❖ Nghiên cứu định tính thông thường theo cấu trúc sau:

▪ Introduction: Giới thiệu

▪ Contexts: Bối cảnh: tổng quan nghiên cứu

▪ Research Design Thiết kế nghiên cứu và

and Methods: phương pháp nghiên cứu

▪ Findings: Những phát hiện m i ớ

▪ Discussion: Thảo lu n ậ

▪ Conclusions: Kết luận

Mặt khác, còn có các nhan đề, tóm tắt, tác giả, tài liệu tham kh ảo, lời cảm ơn, bảng

bi ểu, lời chú thích

3. Nhan đề c ủa m ột bài báo khoa họ c:

❖ Cung cấp thông tin về những gì bài báo sẽ đề cặp một cách cô động nhất

❖ Chứa ng nhđự ững thông tin chủ chốt:

▪ Câu hỏi nghiên cứu

▪ Đối tượng được nghiên cứu

▪ Cách thức nghiên cứu

▪ Các biến sẽ được kiểm chứng

▪ Kết quả rút ra từ nghiên cứu

4. Tóm tắ t c ủa m ột bài báo khoa họ c:

❖ Tổng kết k t quế ả ủa bài báo c

❖ Cung cấp 4 loại thông tin quan tr ng: ọ

▪ Mục đích nghiên cứu hoặc lý do nghiên cứu (tại sao chúng tôi thực hiện nghiên

cứu này)

▪ Phương pháp nghiên cứu (nghiên cứu ngày thực hiện theo cách thức nào)

▪ Kết quả đạt được (chúng tôi tìm thấy gì)

▪ K ết luậ ( n nghiên cứu này có ý nghĩa gì)

❖ TÓM TẮT → K T LUẾ ẬN PHƯƠNG PHÁP → K T QU→ Ế Ả THẢO LUẬN → Tuy nhiên, chúng ta có thể lướt qua tiêu đề, rồi đến hình ảnh Bởi vì trong nhiề trườu ng hợp, hình ảnh cho người đọc biết được kết qu ả đã thực hiện được

5 Tiêu chí đánh giá một bài báo khoa học tốt:

❖ Nghiên cứu tốt

❖ Cách trình bày một tình huống thuyết phục

❖ Phân tích sâu các kết quả thực nghi m ệ

❖ Đánh giá chất lượng đóng góp của bạn

❖ Cấu trúc điển hình của một bài báo nghiên cứu

❖ Gửi bản th o cả ủa bạn

1 Introduction

2 Brief review of related works

2.1 Extended sparse representation based

classifier (ESRC)

2.2 Deep hidden IDentity features (DeepID)

3 Joint and collaborative representation

with local adaptive convolution feature

3.1 Local adaptive convolution feature

1 Gi i thi u ớ ệ

2 Đánh giá tóm tắt các công việc liên quan 2.1 B ộ phân loạ ựa trên biểi d u diễn thưa thớt

mở r ng (ESRC) ộ 2.2 Các tính năng nhận d ng ạ ẩn sâu (DeepID)

3 Đại diện chung và hợp tác với địa phương thích ứng tính năng chập

3.1 Trích xuất tính năng tích chập thích ứng

3.2 Joint and collaborative representation

4 Optimization of JCR- ACF

4.1 Solving algorithm of JCR-ACF

4.2 Computational complexity

5 Experiments

5.1 Experimental setting

5.2 Investigating the discrimination of

particular facial regions

5.3 Evaluation on variations of AR

database

5.4 Evaluation on variations of

CMU-MPIE database

5.5 Evaluation on variations of LFW

database

5.6 Evaluation on variations of the

CASIA-webface database

5.7 Parameter evaluation

5.8 Running time comparison

5.9 Discussion on weighting different local

regions

6 Conclusion

Acknowledgement

References

cục bộ 3.2 Đại diện chung và hợp tác

4 Tối ưu hóa JCR-ACF 4.1 Giải thuật toán JCR-ACF 4.2 Tính toán phức tạp

5 Thí nghiệm 5.1 Cài đặt th nghiử ệm 5.2 Điều tra sự phân biệt của các vùng c thểụ trên khuôn mặt

5.3 Đánh giá về các biến th cể ủa cơ sở ữ liệ d u

AR 5.4 Đánh giá về các biến th cể ủa cơ sở ữ liệ d u CMU-MPIE

5.5 Đánh giá về các biến th cể ủa cơ sở ữ liệ d u LFW

5.6 Đánh giá về các biến th cể ủa cơ sở ữ liệ d u CASIA-webface

5,7 Đánh giá thông số 5,8 So sánh thời gian ch y ạ 5.9 Thảo lu n vậ ề trọng số các vùng địa phương khác nhau

6 Kết luận Nhìn nhận

Tài liệu than khảo

Cách viết và xuất bản m ột bài báo chất lượ ng cao

How to write and publish a high-quality paper

CÁC TIÊU CHÍ ĐÁNH GIÁ MỘT BÀI BÁO KHOA HỌC TỐT

Tiêu chí

đánh giá bài báo

N ội dung đánh giá bài báo Di ễn giải

M ức

đánh

giá

1. Nghiên cứu tốt (Good Research)

1.1. Chọn một chủ đề đầy

h ứa hẹ : Các vấn đề thách n

th ức hàng đầu trong lĩnh vực

nghiên cứu của bạn

➔ Chọn ch ủ đề ần c

nghiên cứu

(Choose a promising topic:

Top challenging problems in

your research field)

[Trích mục :1 Introduction, trang 1]

B ài báo có nội dung:

“Face recognition (FR) has always been a hot topic and drawing ever-increasing attention in the community [1]

due to its promising applications in information security, access control, surveillance, smart cards, law enforcement, human computer interaction, and entertainment [1,43,44]…”

Ch ủ đề nghiên

c ứu:

“Nhận dạng khuôn

m ặt (FR) luôn là một chủ đề nóng và ngày càng thu hút

s ự chú ý ngày càng tăng trong cộng đồng [1] do các ứng dụng đầy hứa hẹn của nó trong bảo mật thông tin, kiểm soát truy cập, giám sát, thẻ thông minh, thực thi pháp luật, tương tác với máy tính của con người

và giải trí [ 1,43,44]…”

✓ Tác giả phát biểu

v ấn đề nghiên cứu trong bài báo rất rõ ràng

✓ Tác giả xác định được câu trả lời, tác giả muốn làm gì

ở bài báo nghiên

cứu khoa học

R ất tốt

1.2. Đọc khảo sát chủ đề và

nghiên cứu các công trình

liên quan

Trích mục 2 trang 3:

2 Brief review of related

Trang 3 mục 2, 2.1, 2.2 trích:

2 Đánh giá tóm tắt

T ốt

(Read topic surveys and

study related works)

works 2.1 Extended sparse representation based classifier (ESRC)

2.2 Deep hidden IDentity features (DeepID)

các công việc liên

khuôn mặt đơn

d ựa trên biểu di n ễ

thưa thớt mở rộng

(ESRC)

nh ận d ng ạ ẩn sâu

(DeepID)

✓ Tác giả có đọc, nghiên cứu các công trình nghiên cứu về nhận diện khuôn mặt FR liên quan chủ đề tác giả nghiên cứu

✓ Tác giả tìm các bài báo tốt nhất

1.3. Dành nhiều th i gian ờ

hơn cho các tài liệu tham

khảo chính

(Spend more time on the key

references)

[Trích từ trang 1 đến trang 6]

1 Introduction

2 Brief review of related works 2.1 Extended sparse representation based classifier (ESRC)

2.2 Deep hidden IDentity features (DeepID)

3 Joint and collaborative representation with local adaptive convolution feature 3.1 Local adaptive convolution feature extraction 3.2 Joint and collaborative representation

❖ Căn cứ các trích dẫn cơ sở lý thuyết các mục từ trang 1 đến trang 6 của bài báo;

❖ Căn cứ tài liệu tham khảo trang 11

và 12 của bài báo các chủ đề tham khảo liên quan:

✓ Tác giả có liệt kê,

d ẫn các chủ đề

nh ận diện khuôn

m ặt, có liên quan

v ấn đề đang nghiên

c ứu của bài báo

✓ Tác giả dành

nhi ều thời gian để

nghiên cứu trước

T ốt

1.4. Đặt vấn đề, thiết lập Cơ

sở d ữ liệu th nghiử ệm điểm

chuẩn và triển khai

(Problem Statement, set up

benchmark experimental

Databases and

implementation)

-Vấn đề nghiên cứu: Nghiên

cứu tình trạng thực tế

1.Introduction Information security, access control, surveil- lance, smart cards, law enforcement, human computer interaction, and entertainment …( e.g., law enforcement, e-passport, driver license, etc)

Bảo mật thông tin, kiểm soát truy c p, ậ giám sát, thẻ thông minh, thực thi pháp luật, tương tác với máy tính của con người và giải trí … (ví dụ: hộ chiếu điện

tử, giấy phép lái xe,…

1.5. Phân tích sâu các kết quả

thực nghiệm

(In-depth analysis of

empirical results)

[Trích trang 3 mục 1]

1 Introduction Our contributions are summarized as follows

1 We explore how to learn adaptive deep convolutional features in the application of face recognition with SSPP

Although exciting performance for deep learning based face verification has been reported, however, how to e ectively ff apply deep learning based methods, e.g., convolutional neural network, to the serious under-sample lassi cation fi problem, i.e., FR with SSPP, is still an open question

2 We require the representation coefficients of ACFs of different local

Căn cứ nội dung trang 3 mục 1 Giới thiệu:

Những đóng góp của chúng tôi được tóm tắt như sau

1. Chúng tôi khám

phá cách tìm hiểu các tính năng phức

h ợp sâu thích ứng

nh ận dạng khuôn

m ặt với SSPP Mặc

dù hiệu suất thú vị cho xác minh khuôn mặt dựa trên học sâu đã được báo cáo, tuy nhiên, làm thế nào để áp dụng hiệu quả các phương pháp dựa trên học sâu, ví dụ:

mạng nơ-ron phức

T ốt

regions to be similar because these local regions come from the same query image and propose a joint collaborative representation model

to effectively fuse the local deep feature representations in different locations

Conventional collaborative representation works usually use holistic features or handcraft features without joint representation

3 We fully exploit the powerful deep feature and collaborative

representation based classifier for FR with SSPP for the first time

Higher accuracy and robustness of the proposed JCR-ACF are achieved

hợp, đối với vấn đề phân loại dưới mẫu nghiêm trọng, tức là

FR với SSPP, vẫn là một câu hỏi mở

2. Chúng tôi yêu cầu hệ s ố đại diện của ACF của các địa phương khác nhau các vùng tương tự nhau vì các vùng địa phương này đến từ cùng truy vấn hình ảnh và đề xuất một mô hình đại diện hợp tác chung để kết hợp hiệu quả các đại diện tính năng sâu cục bộ trong các các địa điểm Hình thức đại diện cộng tác thông thường thường hoạt động sử dụng các tính năng tổng th hoể ặc các tính năng thủ công

mà không có đại diện chung

3. Chúng tôi khai thác tri t đ tính ệ ể năng sâu mạnh mẽ

và cộng tác lần đầu tiên bộ phân loại dựa trên đại diện cho FR v i SSPP ớ

Độ chính xác và độ bền cao hơn của JCR-ACF được đề

1.6. Tìm ra một trường hợp

thuyết phục

(Find out a convincing case)

[ 1.Introduction – Trang 1]

how to overcome the small-sample-size problem and ensure a high performance for

FR with SSPP is still open

Làm thế nào để kh c ắ phục vấn đề cỡ mẫu nhỏ và đảm b o ả nhận diện khuôn mặt FR

2 Cách trình bày một tình huống thuyết phục

(How to Present a Convincing Case)

2.1 Chính xác thì vấn đề đang

được giải quyết là gì?

(What exactly is the problem

being solved?)

[Trích nội dung trang 1, ph n ầ

1 In ntroduction]

“Hence how to overcome the

small-sample-size problem and ensure a high performance for FR with

Căn cứ nội dung phần 1 giới thiệu

Tác giả đặt vấn đề nghiện c u ứ chính xác cần được giải quyết là:

“làm thế nào để

kh ắc ph c vụ ấn đề

c ỡ m u nhẫ ỏ và đảm bảo hiệu suất

khuôn mặt (FR)

v ới mẫu đơn cho

m ỗi người (SSPP)

vẫn đang mở.”

2.2 Ý tưởng của bạn có ý

nghĩa như thế nào (để chứng

minh cho một bài báo)?

(How are your ideas

significant (to justify a

paper)?

[Mục 1 – Giới thiệu – Trang 1]

FR with single sample per person (SSPP) is one of the most important topics in the field of ubiquitous biometrics

In the application of face recognition, there is usually very limited training samples (e.g., only a single training sample) in the gallery set For example, we often meet scenarios (e.g., law enforcement, e-passport, driver license, etc.)

Trong ứng d ng ụ nhận dạng khuôn mặt thường có ít mẫu đào tạo

2.3 Tất cả các công việc liên

quan có được tham chiếu và

xem xét không?

(Is all related work

referenced and reviewed?)

Các bộ cơ sở dữ liệu:AR, CMU-MPIE, LFW, CASIA-webface

Có phát biểu giải thu t.ậ

Cài đặt, thử nghiệm và đánh giá giải thuật so với các giải thuật khác trên các biến thể , trên nhiều b ộ

cơ sở dữ liệu

Tốt

2.4 Các nghiên cứu so sánh

với công việc trước đây có

thuyết phục không?

(Are the comparative studies

with previous work

convincing?)

[Mục 5 – Trang 5 đến Trang 10]

Dựa vào các bảng

so sánh của thuật toán đề xu t với ấ các thuật toán trước đây và mục 5.8 so sánh thời gian ch y Thuạ ật toán luôn đ t đạ ộ chính xác cao

Tốt

2.5 Hệ thống của bạn đã được

triển khai và sử ụng chưa, và d

nếu có thì nó chứng tỏ điều gì

từ thế giới thực (để ạn và b

người đọc tìm hiểu)?

(Has your system been

implemented and used, and if

so what did it demonstrate

from the real world (for you

and the reader to learn?)

Dựa vào vi c đệ ặt vấn đề nghiên cứu

Bài báo chỉ nghiên cứu lý thuyết và chưa có ứng dụng

cụ thể nhưng có tính kh thi cao ả

3 Phân tích sâu các kết qu ả thự c nghi ệm

(In-Depth Analysis of Empirical Results)

Báo cáo rõ ràng Abstract

Introduction Brief review of related works

JCR-ACF

Tóm tắt Giới thiệu Tóm tắt những đóng góp

Đánh giá công việc Mục 3,4: n i dung ộ

T ốt

Experiments Conclusion

chính

Thực nghiệm Kết luận Phương pháp nghiên cứu

- Nghiên cứu lý thuyết

- Nghiên cứu so sánh

JCR-ACF

5 Experiments

[Mục 3,4] Mô tả và tối ưu JCR-ACF

So sánh đánh giá các phương pháp đối thủ cạnh tranh gồm SVM, SRC, DMMA, AGL, ESRC, RPR, LGR, JCR-ACF

Cơ sở dữ liệu 5.3 Evaluation on variations of

AR database

5.4 Evaluation on variations of CMU-MPIE database 5.5 Evaluations on variations

of LFW database

5.6 Evaluations on variations

of the CASIA-webface database

Đánh giá các biến

thể của cơ sở ữ ệu d li

AR Đánh giá các biến

thể của cơ sở ữ ệu d li CMU-MPIE Đánh giá các biến

thể của cơ sở ữ ệu d li LFW

Đánh giá các biến

thể của cơ sở ữ ệu d li CASIA-webface

T ốt

Có xét các điểm khác nhau

của thử nghiệm: bài báo có

so sánh các thuật toán khác

nhau (SVM, SRC, DMMA,

AGL, ESRC, SVDL, RPR,

LGR, JCR-ACF) trên cùng

tập d ữ liệu

AR

CMU-MPIE LFW CASIA-webface

Table 03, 04 [ Trang

7 của bài báo]

Table 05,06 [ Trang

8 của bài báo]

Table 08,09 [ Trang

9 của bài báo]

Table 10, 11 [ Trang

10 của bài báo]

T ốt

Kết quả thực nghiệm có hiệu

quả trên các tập thực

nghiệm: Kết quả thực

nghiệm với JCR-ACF đạt độ

chính xác cao so với các

T ốt

bảng so sánh)

Có đề xuất cho trường h p ợ

đột biến không:

5.9 Discussion on weighting different local regions

These observations demonstrate that different local regions have different discrimination and some regions don't contri- bute to or even mislead the recognition It

is expected that the performance can be further boosted by a weighting strategy in which the roles of the discriminative regions can

be automatically emphasized whereas the roles of regions which are not discriminative or even misleading are inhibited

This weighting strategy serves as an impor- tant direction for our future research

[ Mục 5.9 – Trang

10 của bài báo cáo mẫu]

Thảo luậ trên n những vùng khác nhau về trọng s ố Khảo sát chứng minh rằng nh ng ữ khu vực khác nhau

có trọng số khác nhau, d ễ gây nhầm lẫn….Do đó, chiến lược nghiên cứu về việc thay đổi trọng

số trên các vùng của khuôn mặt là định hướng nghiên cứu trong tương lai

T ốt

4 Đánh giá chất lượng đóng góp của bạn

(Evaluate quality of your contribution)

4.1 Hội nghị mục tiêu?

(Target conference ?)

4.2 Tạp chí Mục tiêu? Tạp chí

Tác động Cao, Nhà xuất bản

Quốc tế

(Target Journal ? High

Impact Journal,

International Publisher)

Tạp chí Pattern Recognition [ Trang 1 – tiêu đề

của bài báo mẫu]

4.3 Luôn nghĩ về READER 6.Conclusion [Mục 6 – kết luận