Nhận dạng hình ảnh bằng cách kết hợp mạng neural tích chập và mạng neural truyền thống

CHƯƠNG 1. GIỚI THIỆU BÀI TOÁN PHÂN LOẠI HÌNH ẢNH VÀ DEEP LEARNING

CHƯƠNG 2. MẠNG NEURON NHÂN TẠO VÀ MÔ HÌNH KIẾN TRÚC KẾT HỢP GIỮA MẠNG CNN VÀ MLP.

2.2. Mạng Neuron nhân tạo
- 2.2.1. Cấu trúc một Neuron sinh học
- 2.2.2. Cấu trúc một Perceptron
2.3. Sigmoid neuron
2.4. Multi-layers Perceptron (MLP)
2.5. Mạng neuron tích chập CNN
- 2.5.1. Vùng tiếp nhận cục bộ
- 2.5.2. Trọng số dùng chung
- 2.5.3. Pooling
2.6. Cấu trúc kết hợp CNN và MLP
- 2.6.1. Convolution-MLP
- 2.6.2. Lớp Pooling
- 2.6.3. Lớp ReLU
- 2.6.4. Lớp Dropout
- 2.6.5. Hàm tổn hao
  - a. Hàm sai số phân loại
  - b. Hàm hinge-loss
  - c. Hàm log loss
  - d. Softmax log-loss
- 2.6.6. Mô hình tổng thể

CHƯƠNG 3. PHÂN LOẠI ẢNH SỬ DỤNG MÔ HÌNH MẠNG NEURON TÍCH CHẬP KẾT HỢP VỚI MẠNG NEURON TRUYỀN THỐNG

3.2. Mô hình CNN – LeNet
3.3. Mô hình kết hợp giữa mạng neuron tích chập và mạng neuron truyền thống
- 3.3.1. Kiến trúc ConvNet
- 3.3.2. Kết hợp mạng CNN và mạng MLP trong phân loại ảnh
- 3.3.3. Learning Rate.
- 3.3.4. Dropout
  - a. Ứng dụng vào mô hình CNN – LeNet
  - b. Ứng dụng vào mô hình kết hợp CNN-MLP
- 3.3.5. Số lượng khối CNN-MLP
  - a. Sử dụng 3 khối con
  - b. Sử dụng 4 khối con
  - c. Sử dụng 5 khối con
3.4. Tiền xử lý dữ liệu
- 3.4.1. Chuẩn hóa dữ liệu (Normalization)
- 3.4.2. Whitening data
- 3.4.3. Kích thước các gói dữ liệu (Batch size)

CHƯƠNG 4. KẾT QUẢ VÀ ĐÁNH GIÁ

4.2. Cơ sở dữ liệu CIFAR-10
4.3. Phương pháp đánh giá
4.4. Khảo sát với mạng LeNet
4.5. Vai trò của MLP khi kết hợp với CNN
4.6. Tác động của các tham số
- 4.6.1. Learning Rate
- 4.6.2. Vai trò của Dropout
- 4.6.3. Ảnh hưởng của số khối con đến kết quả phân loại
4.7. Khảo sát quá trình tiền xử lý dữ liệu
- 4.7.1. Tác động chuẩn hóa dữ liệu và whitening
- 4.7.2. Ảnh hưởng của Batch size đến kết quả