Nghiên cứu ứng dụng mạng OPEN AI GLOW để tùy biến ảnh đối tượng nhằm hỗ trợ công tác điều tra

Hiện nay tình hình tội phạm ngày càng phức tạp và tinh vi, nhiều ứng dụng khoa học công nghệ cao ngày càng được áp dụng rộng rãi trong công tác điều tra, đấu tranh phòng, chống tội phạm. Sự gia tăng của số lượng, tính chất, mức độ nguy hiểm của tội phạm càng khiến cho công tác điều tra, phá án của lực lượng công an càng khó khăn. Công nghệ hiện đại giờ đây có thể cho phép các nhà điều tra dự báo và ngăn chặn tội ác trước khi nó diễn ra. Một trong những phương pháp được quan tâm nghiên cứu hiện nay là sử dụng các giải thuật học máy.

LỜI CẢM ƠN Em xin chân thành cảm ơn Khoa Công nghệ an ninh thông tin, trường Đại học Cơng nghệ tận tình giảng dạy, trang bị cho em kiến thức quý báu tạo điều kiện thuận lợi để em thực đề tài tốt nghiệp Đặc biệt, em xin bày tỏ lòng biết ơn sâu sắc tới thầy Tạ Việt Cường tận tình hướng dẫn bảo em trình thực đề tài Mặc dù cố gắng hồn thành khóa luận phạm vi khả cho phép chắn khơng tránh khỏi thiếu sót Em mong nhận thơng cảm, góp ý tận tình bảo q thầy bạn LỜI CAM ĐOAN Em xin cam đoan đề tài khóa luận “Nghiên cứu ứng dụng mạng OPEN AI GLOW để tùy biến ảnh đối tượng nhằm hỗ trợ cơng tác điều tra” cơng trình nghiên cứu thân em, số liệu sử dụng khóa luận trung thực, tham khảo có nguồn trích dẫn rõ ràng; kết nghiên cứu khóa luận khơng chép cơng trình Em xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan em Hà Nội, tháng 08 năm 2019 MỤC LỤC LỜI MỞ ĐẦU CHƯƠNG GIỚI THIỆU CHUNG VỀ HỌC MÁY, HỌC SÂU 1.1 Giới thiệu học máy 1.1.1 Khái niệm 1.1.2 Quy trình học máy 1.1.3 Phân loại 10 1.2 Giới thiệu học sâu 14 1.2.1 Khái niệm thành phần .14 1.2.2 Kiến trúc mạng nơ-ron 16 1.2.3 Một số kiến trúc mạng học sâu 20 1.3 Ứng dụng học máy học sâu .25 CHƯƠNG NGHIÊN CỨU MẠNG GLOW ĐỂ TÙY BIẾN ẢNH ĐỐI TƯỢNG 27 2.1 Vấn đề sinh ảnh phục vụ công tác điều tra 27 2.2 Các thuật toán sinh ảnh 29 2.2.1 Mơ hình đối kháng sinh mẫu (Generative adversrial network) .29 2.2.2 Bộ mã hóa tự động biến đổi (Variational auto-encoder) 34 2.2.3 Mơ hình sinh dựa vào luồng (Flow-based generative model) 40 2.3 Mơ hình GLOW 45 2.3.1 Mơ hình sinh Flow-based 45 2.3.2 Luồng sinh .48 CHƯƠNG CÀI ĐẶT THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ .52 3.1 Công cụ sử dụng 52 3.2 Cơ sở liệu thử nghiệm giao diện chương trình 54 3.2.1 Cơ sở liệu thử nghiệm 54 3.2.2 Giao diện chương trình 58 3.3 Kết thử nghiệm 60 3.3.1 Trộn ảnh 60 3.3.2 Tùy chỉnh đặc trưng 62 KẾT LUẬN 70 DANH MỤC TÀI LIỆU THAM KHẢO .71 PHỤ LỤC 73 DANH MỤC HÌNH ẢNH Hình 1.1 Quy trình học máy theo Tom Mitchell Hình 1.2 Các bước thực tốn học máy Hình 1.3 Phương pháp 5-Fold Cross Validation .10 Hình 1.4 Mơ hình học giám sát 11 Hình 1.5 Nén liệu giữ thông tin quan trọng 12 Hình 1.6 Mơ hình học tăng cường 13 Hình 1.7 Quan hệ trí tuệ nhân tạo – học máy – học sâu 15 Hình 1.8 Nơ-ron sinh học 16 Hình 1.9 Một perceptron .16 Hình 1.10 Kiến trúc mạng nơ-ron 18 Hình 1.11 Mơ hình CNN 21 Hình 1.12 Một node mạng mơ hình RNN .22 Hình 1.13 So sánh loại mơ hình sinh .24 Hình 2.1 Ảnh tạo từ công cụ Identi-Kit 2000 .28 Hình 2.2 Sơ đồ hoạt động GAN 30 Hình 2.3 Huấn luyện Discriminator network, cố định Generator network .31 Hình 2.4 Huấn luyện Generator network, cố định Discriminator network .32 Hình 2.5 GAN sinh ảnh từ text thành image .33 Hình 2.6 GAN tạo ảnh có độ phân giải cao 33 Hình 2.7 GAN sinh ảnh từ ảnh khác 34 Hình 2.8 Cách giải mã ảnh thành thuộc tính ẩn 35 Hình 2.9 VAE giải mã sử dụng phân phối xác suất thuộc tính 35 Hình 2.10 hình ảnh giống sinh từ biến ẩn khác 36 Hình 2.11 Quá trình ánh xạ biến 37 Hình 2.12 Mơ hình VAE 38 Hình 2.13 Thêm biến  để tính tốn mối quan hệ 38 Hình 2.14 Tối ưu hóa tham số phân phối 39 Hình 2.15 Quan sát ảnh sinh mơ hình VAE với liệu MNIST 40 Hình 2.16 Mơ hình luồng chuẩn hóa 41 Hình 2.17 Sơ đồ luồng chuẩn hóa mơ hình GLOW 47 Hình 2.18 So sánh ba biến thể - hàm nghịch đảo RealNVP, hoán vị ngẫu nhiên cố định tích chập 1 khả nghịch .50 Hình 3.1 Ví dụ số ảnh với thuộc tính 55 Hình 3.2 vị trí đánh dấu khuôn mặt 56 Hình 3.3 Nhãn thuộc tính ảnh 56 Hình 3.4 Quy trình tải ảnh từ Google image .57 Hình 3.5 Ví dụ 10 ảnh Chi pu thu thập từ Internet 57 Hình 3.6 Lưới gồm 100 ảnh người Việt sau trích chọn khn mặt 58 Hình 3.7 Giao diện tùy chỉnh thuộc tính ảnh 59 Hình 3.8 Giao diện trộn ảnh 59 Hình 3.9 Loạt ảnh sinh phép nội suy tuyến tính liệu CelebA .60 Hình 3.10 Loạt ảnh sinh phép nội suy mơ hình GLOW liệu CelebA 60 Hình 3.11 Loạt ảnh sinh phép nội suy tuyến tính liệu người Việt Nam 61 Hình 3.12 Loạt ảnh sinh phép nội suy mơ hình GLOW liệu người Việt Nam .61 Hình 3.13 Ví dụ tùy chỉnh thuộc tính khn mặt mặt người 62 Hình 3.14 Các mẫu ảnh theo thuộc tính liệu tốt 63 Hình 3.15 Mẫu ảnh đối tượng sau lựa chọn, tinh chỉnh đặc trưng người Châu Âu .64 Hình 3.16 Các mẫu ảnh theo thuộc tính liệu người Việt .65 Hình 3.17 Mẫu ảnh đối tượng nữ sau lựa chọn, tinh chỉnh đặc trưng người Việt Nam 66 Hình 3.18 Mẫu ảnh đối tượng nam sau lựa chọn, tinh chỉnh đặc trưng người Việt Nam 67 Hình 3.19 Các mẫu theo thuộc tính liệu trung bình .68 Hình 3.20 Một vài ảnh nhận dạng thành công sinh ảnh không tốt 68 DANH MỤC BẢNG BIỂU Bảng 2.1 Ba thành phần luồng, hàm nghịch đảo, hàm log .47 Bảng 3.1 40 thuộc tính sử dụng 55 DANH MỤC CHỮ VIẾT TẮT ST Viết tắt Viết đầy đủ tiếng nước Viết đầy đủ AI Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Networks Mạng nơ-ron nhân tạo CSDL DL Deep Learning Học sâu ML Machine Learning Học máy CNN Convolutional Neural Network Mạng nơ-ron tích chập RNN Recurrent Neural Network Mạng nơ-ron hồi quy GAN VAE Variational Auto-Encoder 10 MLP Multi Layer Perceptron T Cơ sở liệu Generative Adversrial Network Mạng đối kháng sinh mẫu Bộ mã hóa tự động Mạng Perceptron nhiều lớp LỜI MỞ ĐẦU Tính cấp thiết đề tài Ngày nay, trí tuệ nhân tạo góp phần thay đổi sâu sắc nhiều khía cạnh sống, dần trở thành yếu tố quan trọng hoạt động muôn màu muôn vẻ nhân loại Nhiều tranh tương lai xán lạn trí tuệ nhân tạo mang tới cho lồi người khắc họa Riêng mặt kinh tế, nghiên cứu PwC cho thấy trí tuệ nhân tạo trở thành hội thương mại lớn ngày kinh tế toàn cầu thay đổi nhanh chóng với phần đóng góp trí tuệ nhân tạo lên tới 15.700 tỷ USD vào năm 2030 Chính đó, trí tuệ nhân tạo trở thành đua toàn cầu hai siêu cường kinh tế Mỹ Trung Quốc, đồng thời, nhiều nước giới tiến hành xây dựng chiến lược phát triển trí tuệ nhân tạo quốc gia họ Tư tưởng “Trí tuệ nhân tạo người, Trí tuệ nhân tạo nhân loại” cần thấm nhuần thực thi tổ chức xã hội Nhận thức đắn Trí tuệ nhân tạo, tương lại Trí tuệ nhân tạo vấn đề liên quan tới Trí tuệ nhân tạo (đặc biệt khía cạnh đạo đức an tồn Trí tuệ nhân tạo) nội dung quan trọng chiến lược phát triển Trí tuệ nhân tạo quốc gia nhiều nước giới Hiện tình hình tội phạm ngày phức tạp tinh vi, nhiều ứng dụng khoa học công nghệ cao ngày áp dụng rộng rãi cơng tác điều tra, đấu tranh phịng, chống tội phạm Sự gia tăng số lượng, tính chất, mức độ nguy hiểm tội phạm khiến cho công tác điều tra, phá án lực lượng cơng an khó khăn Cơng nghệ đại cho phép nhà điều tra dự báo ngăn chặn tội ác trước diễn Một phương pháp quan tâm nghiên cứu sử dụng giải thuật học máy dự đốn khn mặt tội phạm phục vụ cơng tác điều tra, trinh sát Để sâu tìm hiểu đánh giá hiệu học máy ... GLOW để tùy biến ảnh đối tượng nhằm hỗ trợ công tác điều tra? ?? Nội dung nghiên cứu đề tài bước nghiên cứu mang tính tiền đề để thực nghiên cứu chuyên sâu ứng dụng học máy tùy biến ảnh đối tượng nói... cam đoan đề tài khóa luận ? ?Nghiên cứu ứng dụng mạng OPEN AI GLOW để tùy biến ảnh đối tượng nhằm hỗ trợ công tác điều tra? ?? cơng trình nghiên cứu thân em, số liệu sử dụng khóa luận trung thực,... tài nghiên cứu công bố Đại học Công nghệ Mục tiêu nhiệm vụ nghiên cứu Về mục tiêu nghiên cứu: - Nghiên cứu mơ hình mạng nơ-ron sâu GLOW ứng dụng để tùy biến ảnh mặt người nhằm hỗ trợ công tác điều