KHÓA LUẬN TỐT NGHIỆP PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HỒ THÁI NGỌC PHẠM THỊ HỒNG MAI KHĨA LUẬN TỐT NGHIỆP PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ VEHICLE DETECTION IN URBAN TRAFFIC KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2021 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HỒ THÁI NGỌC - 16520825 PHẠM THỊ HOÀNG MAI - 16520717 PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ VEHICLE DETECTION IN URBAN TRAFFIC KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN TS NGUYỄN TẤN TRẦN MINH KHANG TP HỒ CHÍ MINH, 2021 THƠNG TIN HỘI ĐỒNG CHẤM KHĨA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số …………………… ngày ………………… Hiệu trưởng Trường Đại học Công nghệ Thông tin ………………………………………… – Chủ tịch ………………………………………… – Thư ký ………………………………………… – Ủy viên ………………………………………… – Ủy viên ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ (VEHICLE DETECTION IN URBAN TRAFFIC) Cán hướng dẫn/phản biện: Nhóm SV thực hiện: Hồ Thái Ngọc 16520825 Phạm Thị Hoàng Mai 16520717 TS Nguyễn Tấn Trần Minh Khang Đánh giá Khóa luận Về báo cáo: Số trang _ Số chương _ Số bảng số liệu _ Số hình vẽ _ Số tài liệu tham khảo _ Sản phẩm _ Một số nhận xét hình thức báo cáo: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về nội dung nghiên cứu: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về chương trình ứng dụng: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về thái độ làm việc sinh viên: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Đánh giá chung: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Điểm sinh viên: :……… /10 :……… /10 Người nhận xét (Ký tên ghi rõ họ tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THƠNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHĨA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ (VEHICLE DETECTION IN URBAN TRAFFIC) Cán hướng dẫn/phản biện: Nhóm SV thực hiện: Hồ Thái Ngọc 16520825 Phạm Thị Hồng Mai 16520717 ………………………………… Đánh giá Khóa luận Về báo cáo: Số trang _ Số chương _ Số bảng số liệu _ Số hình vẽ _ Số tài liệu tham khảo _ Sản phẩm _ Một số nhận xét hình thức báo cáo: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về nội dung nghiên cứu: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về chương trình ứng dụng: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Về thái độ làm việc sinh viên: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Đánh giá chung: ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… ………………………………………….………………………………………….………… Điểm sinh viên: :……… /10 :……… /10 Người nhận xét (Ký tên ghi rõ họ tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN ĐỀ CƯƠNG CHI TIẾT TÊN ĐỀ TÀI: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ TÊN ĐỀ TÀI TIẾNG ANH: VEHICLE DETECTION IN URBAN TRAFFIC Cán hướng dẫn: TS Nguyễn Tấn Trần Minh Khang Thời gian thực hiện: Từ ngày 07/09/2020 đến ngày 02/01/2021 Sinh viên thực hiện: Hồ Thái Ngọc – 16520825 Phạm Thị Hoàng Mai – 16520717 Nội dung đề tài:(Mô tả chi tiết mục tiêu, phạm vi, đối tượng, phương pháp thực hiện, kết mong đợi đề tài) - - Mục tiêu: • Khảo sát phương pháp tiên tiến cho toán phát đối tượng ảnh (Object Detection [1]) • Thu thập liệu bổ sung cho toán phát phương tiện giao thông dựa liệu công bố (UA-DETRAC [7]) • Huấn luyện mơ hình học sâu (Deep Learning) từ số phương pháp khảo sát cho việc phát phương tiện giao thông ảnh • Thử nghiệm phương pháp tiền xử lý ảnh (DeRaindrop, CycleGAN [6, 8]), giảm ảnh hưởng yếu tố tầm nhìn hạn chế (ban đêm, mưa) Phạm vi: Phát phương tiện giao thông từ video camera xem tác vụ hỗ trợ việc truy vết, thống kê lưu lượng xe cho hệ thống giám sát giao thông thông minh Trong phạm vi đề tài này, việc nghiên cứu, thực nghiệm nhằm thực tác vụ phát phương tiện giao thông từ ảnh (video camera giám sát) chịu ảnh hưởng điều kiện tầm nhìn hạn chế (ban đêm, mưa) [2, 3, 5] - Đối tượng: • Các phương tiện giao thơng phổ biến (xe tải, xe buýt, ô tô, xe máy, xe đạp) từ video thu thông qua camera giám sát tuyến đường giao thông, điều kiện tầm nhìn hạn chế thời tiết (mưa, mây,…), thời gian (ban ngày, ban đêm), cao điểm • Đề tài nghiên cứu hướng đến xử lý tác vụ sở cho hệ thống giám sát giao thông đô thị thơng minh - Phương pháp thực hiện: • Thu thập liệu thử nghiệm, sử dụng liệu giao thơng cơng bố • Phân tích ưu điểm, hạn chế state-of-the-art (YOLOv4 [4]) lĩnh vực phát đối tượng, lực chọn phương pháp có trung hịa độ xác cao tốc độ thực thi theo thời gian thực • Huấn luyện mơ hình học sâu phát phương tiện giao thơng • Lựa chọn đề xuất tiền xử lý ảnh để giải vấn đề tầm nhìn hạn chế • Tổng hợp kết thực nghiệm, đưa đánh giá, định hướng nghiên cứu cho việc phát triển hệ thống giám sát giao thơng • Viết báo khoa học • Cơng nghệ sử dụng: o Ngơn ngữ: Python 3.x, C++ o Thư viện, frameworks hỗ trợ machine learning, deep learning: PyTorch, OpenCV, TensorFlow o UI – Frameworks Kết mong đợi: • Tài liệu tổng hợp cho tốn phát phương tiện giao thơng cho hệ thống giám sát đô thị Định hướng nghiên cứu • Bộ liệu bổ sung phục vụ cho tốn phát phương tiện giao thơng • Bài báo khoa học công bố hội nghị hội thảo khoa học Tài liệu tham khảo: [1] L Liu, W Ouyang, X Wang, P Fieguth, J Chen, X Liu, and M Pietik ̈ainen, “Deep learning for generic object detection: A survey”,International journal of computer vision, vol 128, no 2, pp 261– 318, 2020 [2] Z Liu, S Zhang, et al., “Robust movement-specific vehicle counting at crowded intersections,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2020, pp 614–615 [3] S Zheng Zhedong, et al., “Going beyond real data: A robust visual representation for vehicle re-identification,” in Proceedings of the IEEE/CVF Conference on Computer Visionand Pattern Recognition Workshops, 2020, pp 598–599 [4] A Bochkovskiy, C.-Y Wang, and H.-Y M Liao, “Yolov4: Optimal speed and accuracy of object detection”, arXiv preprint arXiv:2004.10934, 2020 - - [5] Minh-Triet Tran, et al, “Itask – intelligent traffic analysis software kit”, in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, Jun 2020 [6] S Li, I B Araujo, et al, “Single image deraining: A comprehensive benchmark analysis”, in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp 3838–3847 [7] L Wen, D Du, Z Cai, Z Lei, M Chang, H Qi, J Lim, M Yang, and S Lyu, “UA-DETRAC: A new benchmark and protocol for multi-object detection and tracking”, Computer Vision and Image Understanding, 2020 [8] A Anoosheh, T Sattler, R Timofte, M Pollefeys, and L Van Gool, “Nightto-day image translation for retrieval-based localization”, in 2019 International Conference on Robotics and Automation (ICRA), IEEE, 2019, pp 5958–5964 [9] M Tan, R Pang, and Q V Le, “Efficientdet: Scalable and efficient object detection,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp 10 781–10 790 Kế hoạch thực hiện: Nhóm chia thành giai đoạn - - Giai đoạn 1: Lên ý tưởng, khảo sát tính mới, tính cấp thiết việc phát phương tiện giao thơng mơi trường tầm nhìn hạn chế (poor visibility environments) Phân tích nghiên cứu liên quan, thành tựu khoa học công bố lĩnh vực thị giác máy hính học sâu Giai đoạn 2: Chuẩn bị liệu phù hợp cho q trình huấn luyện mơ hình học sâu Giai đoạn 3: Huấn luyện, đánh giá mơ hình học sâu, viết tài liệu tổng hợp Giai đoạn 4: Áp dụng pha tiền xử lý ảnh, huấn luyện lại mơ hình so sánh, đánh giá với kết trước (giai đoạn 3) Giai đoạn 5: Viết báo khoa học Phase Thời gian Nội dung Phân công 09/09/2020 - Lên ý tưởng cho đề tài Ngọc, Mai – - Khảo sát tính mới, tính cấp thiết đề tài 19/09/2020 - Tìm hiểu thách thức liên quan đến toán phát phương tiện giao thơng - Phân tích, tìm hiểu nghiên cứu liên quan Ngọc, Mai 𝑚 𝐴𝑃𝐶𝑖 = ∑ 𝑃𝐶𝑖𝑗 𝑚 𝑗=1 𝑛 𝑚𝐴𝑃 = ∑ 𝐴 𝑃𝐶𝑖 𝑛 𝑖=1 Trong đó: • {𝐶1 , 𝐶2 , ⋯ , 𝐶𝑛 }: tập hợp lớp đối tượng • 𝑃𝐶𝑖𝑗 : độ xác lớp 𝐶𝑖 ảnh thứ j • 𝑅𝑒𝑐𝑎𝑙𝑙𝐶𝑖𝑗 : recall lớp 𝐶𝑖 ảnh thứ j • 𝐴𝑃:Average Precision lớp 𝐶𝑖 • 𝑚𝐴𝑃: mean Average Precision 4.4 Qui trình thực nghiệm đánh giá 4.4.1 Chuẩn hóa liệu Để có đầu vào phù hợp với phương pháp đánh giá thực nghiệm, thiết lập khung chuyển đổi định dạng liệu linh hoạt loại khác nhau: COCO-Object detection, TFRecord, YOLOdarknet, Pascal VOC Thông qua chuyển đổi, thơng tin ảnh cần thiết cho tốn phát đối tượng (class, bbox, ) đảm bảo tính tồn vẹn 37 4.4.2 Tiền xử lý ảnh 4.4.2.1 Ý tưởng Đối với việc phát phương tiện giao thơng vào ban đêm (Hình 4.4): dựa sở mắt người dễ dàng nhìn thấy đối tượng đường vào ban ngày mà tiến hành chuyển ảnh đêm sang ảnh bàn ngày để huấn luyện mơ hình Hình 4.4 Sự khác ảnh ban đêm ban ngày 4.4.2.2 Kỹ thuật xử lý Chúng sử dụng tinh chỉnh gamma [17] ảnh ban đêm, từ thu ảnh đâu gần giống ban ngày theo công thức biến đổi (Công thức 4.4) Cơng thức 4.4 O=I G Trong đó: • I, O ảnh ban đêm (đầu vào), ảnh xử lý (đầu ra) Các giá trị pixel thuộc đoạn [0,255] • G: Giá trị gamma Huấn luyện lại mơ hình CycleGAN [1] nhằm thu ảnh ban ngày Với mơ tả chi tiết (Hình 4.5) 38 Hình 4.5 Chuyển ảnh ban đêm sang ban ngày mơ hình CycleGAN [1] 4.4.3 Cài đặt thực nghiệm − Link reference: https://github.com/AlexeyAB/darknet − Yêu cầu môi trường: Python v3.7 OS: Windows or Linux GPU >= 11GB CMake >= v3.12 CUDA >= v10.0 OpenCV >= v2.4 cuDNN >= v7.0 GPU with CC >= v3.0 /darknet detector train data/obj.data \ yolo-obj.cfg yolov4.conv.137 − Chuẩn bị: • yolo-obj.cfg: • obj.names: • obj.data: file dùng để thiết lập cấu hình file chứa tên lớp đối tượng cần huấn luyện file chứa thông tin tập liệu (số lượng class, đường dẫn tập liệu huấn luyện tập liệu thử nghiệm, đường dẫn lưu mơ hình huấn luyện, đường dẫn file chứa tên class) 39 − Huấn luyện mơ hình: 10 ./darknet detector train data/obj.data \ yolo-obj.cfg yolov4.conv.137 11 ./darknet detector train \ yolov4.conv.137 -dont_show -map 40 \ 4.5 Kết thực nghiệm phân tích 4.5.1 Thực nghiệm liệu IVC-U20 Bảng 4.2 Kết phát (APIoU=0.5 ) tập kiểm tra tương ứng kiến trúc sử dụng mAP bicycle motorcycle car van bus truck container fire truck conv.137 0.7049 0.56 0.63 0.89 0.71 0.75 0.88 0.28 0.93 conv.132 0.5752 0.24 0.54 0.80 0.53 0.62 0.81 0.20 0.87 conv.29 0.3542 0.00 0.49 0.64 0.00 0.39 0.45 0.00 0.86 Bảng 4.3 Kết phát (APIoU=0.5 ) tập kiểm tra tương ứng với kích thước đầu vào khác kiến trúc yolov4 (conv.137) mAP bicycle motorcycle car van bus truck container fire truck 416×416 0.7049 0.56 0.63 0.89 0.71 0.75 0.88 0.28 0.93 512×512 0.7120 0.56 0.67 0.90 0.77 0.73 0.85 0.25 0.96 608×608 0.6873 0.54 0.64 0.87 0.66 0.72 0.86 0.28 0.93 41 4.5.2 Thực nghiệm liệu DETRAC Bảng 4.4 Kết phát (APIoU=0.5 ) tập kiểm tra sử dụng Method mAP AP car bus others van YOLOv4 0.6451 0.92 0.91 0.55 0.20 YOLOv4 + Gamma 0.6318 0.92 0.63 0.42 0.28 YOLOv4 + CycleGAN 0.6194 0.91 0.87 0.52 0.18 4.5.3 Thực nghiệm liệu Rain in Driving (RID) Bảng 4.5 Kết thực nghiệm liệu Rain in Driving (RID) AP APIoU=0.5 APIoU=0.75 AP small AP medium APlarge EfficientDet 23.2 40.0 23.6 3.5 16.0 29.3 YOLOv5x 21.2 37.1 21.4 3.5 13.0 28.0 42 4.5.4 Phân tích kết thực nghiệm IVC-U20 (Bảng 4.2, Bảng 4.3): Phương pháp YOLOv4 đem lại hiệu tốt cho việc phát xe Trên lớp đối tượng cung cấp, tỉ lệ chênh lệch loại xe có hình dạng tương tự (xe hai bánh, xe bốn bánh, xe bán tải, xe tải lớn) thấp phần lớn kiến trúc thử nghiệm (conv.137, conv.132), chứng tỏ nhầm lẫn phương tiện cải thiện, ngoại trừ lớp container có số AP thấp, lớp đối tượng lại phần lớn 0.24, hầu hết kết cao tập trung yolov4 (conv.137) Song song với đó, xét kiến trúc huấn luyện, số mAP máy dò đối tượng đào tạo với kiến trúc conv.137(0.7049) cho kết tốt nhất, conv.132(0.5752), conv.29(0.3542) thấp nhất, số lớp (motorcycle, car, ) hiệu Tuy nhiên, có số trường hợp nhầm lẫn lớp đối tượng có hình dạng tương tự (Hình 12) Với việc so sánh này, ta thấy thích nghi xương sống (backbone) với liệu giới hạn, tốt ngữ cảnh này, lại hạn chế ngữ cảnh khác DETRAC-NIGHT (Bảng 4.4): Dựa số mAP, đối tượng phát hình ảnh ban đêm ban đầu cao (0.6451), xếp thứ hai hình ảnh tinh chỉnh gamma (0.6318), thấp kết sử dụng CycleGAN (0.6194) Nói chung, chúng tơi nhận thấy mơ hình đào tạo thích ứng với điều kiện thực tế đạt kết cao kết quả, số đề xuất dịch hình ảnh từ đêm sang ngày chưa cho thấy hiệu mong muốn Tuy nhiên, xét lớp đối tượng tương ứng với mô hình, cịn nhầm lẫn (Hình 7) đối tượng có hình dạng tương tự, hiệu suất tập trung vào xe hạng (0.92 AP), xe buýt (0.91 AP) Cái ảnh hưởng điều kiện bên (ban đêm) thách thức số lượng đối tượng lớp liệu đào tạo Giai đoạn tiền xử lý cải thiện điều này, YOLOv4 + Gamma có 𝐴𝑃𝑣𝑎𝑛 0.28 43 Rain in Driving (Bảng 4.5): Kết thực nghiệm so sánh EfficientDet-D7 YOLOv5 RID tái tổ chức khơng kết hợp với thuật tốn khử mưa Chúng đưa số kết luận sau: EfficientDet-D7 cho kết AP, AP50 , AP75 (0.40 AP50 ) cao YOLOv5 (0.37AP50 ), cho thấy khả phát đối tượng hiệu Tuy nhiên, thời gian hoàn thành tác vụ YOLOv5 nhanh Mặc dù việc huấn luyện kiểm tra mơ hình khơng liệu thu kết khả quan, điều chứng minh tính ổn định mơ hình, loại bỏ tính cục liệu riêng lẻ Xét lớp đối tượng, hai mơ hình tỏ hiệu nhầm lẫn lớp xe đạp (bicycle), xe máy (motorcycle) người (person) 4.5.5 Hạn chế mơ hình huấn luyện Hình 4.6 Trường hợp nhầm lẫn đối tượng bicycle-motorcycle (trái), bus-van (phải) Hình 4.7 Trường hợp nhầm lẫn đối tượng car-van (phải) 44 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong chương này, nêu kết đạt được, kết luận, định hướng nghiên cứu tương lai 5.1 Kết luận Khóa luận tập trung nghiên cứu phương pháp học sâu cho toán phát phương tiện giao thông ảnh camera giám sát thị Tiến hành huấn luyện mơ hình phát xe từ phương pháp YOLO, EfficientNet liệu UA-DETRAC, RID liệu tự thu thập IVC-U20 theo qui trình thực nghiệm thiết kế Từ kết thực nghiệm, đánh giá ưu nhược điểm phương pháp Cuối cùng, Chúng công bố kết thực nghiệm hội nghị khoa học 5.1.1 Kết đạt Trong suốt thời gian làm khóa luận, nhóm sinh viên thực đạt kết sau: − báo khoa học Hội thảo Quốc gia lần thứ XXIII "Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông" Viện Công nghệ thông tin Viện Hàn lâm Khoa học Công nghệ Việt Nam Trường Đại học Hạ Long, đồng tổ chức Quảng Ninh vào ngày - tháng 11 năm 2020 − báo khoa học The 2020 7th NAFOSTED Conference on Information and Computer Science (NICS 2020), VNUHCM – University of Science, Ho Chi Minh city, Vietnam, November 26 – 27, 2020 − Nắm tri thức liên quan đến toán phát đối tượng, cụ thể phát phương tiện giao thông − Xây dựng liệu IVC-U20 với mục đích nghiên cứu toán giải − Khảo sát phương pháp (YOLO series) cho toán phát phương tiện giao thông, đánh giá ưu nhược điểm 45 − Tiếp cận tốn phát phương tiện giao thơng theo hướng có khơng có pha tiền xử lý ảnh 5.1.2 Hạn chế Bên cạnh kết đạt được, khóa luận cịn số hạn chế cần giải sau: − Tinh chỉnh lại quy trình xây dựng liệu bổ sung, đảm bảo độ đồng thuận cao khâu gán nhãn liệu − Về mặt thực nghiệm, cần nhiều tài nguyên GPU − Còn nhiều vấn đề lĩnh vực thị giác máy tính chưa rõ 5.2 Hướng phát triển Để chuẩn bị cho hướng nghiên cứu tương lai, định hướng: − Áp dụng thuật toán cho pha tiền xửa lý ảnh − Tiếp tục nghiên cứu toán phát xe với thách thức góc quay, thời gian, ngữ cảnh khác − Xây dựng liệu đa dạng thách thức, đóng góp cho việc giải tốn nghiên cứu 46 CƠNG TRÌNH CƠNG BỐ Ngoc Ho, Mai Pham, Nguyen D Vo, Khang Nguyen, "Vehicle Detection at Night Time", NAFOSTED Conference on Information and Computer Science, 2020, Ho Chi Minh city, Vietnam Hồ Thái Ngọc, Phạm Thị Hoàng Mai, Bùi Cao Doanh, Trịnh Thị Thanh Trúc, Võ Duy Nguyên, Nguyễn Tấn Trần Minh Khang, "Phát phương tiện giao thông trung tâm thành phố lớn với phương pháp YOLOv4", Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, 2020, Hạ Long, Việt Nam Hồ Thái Ngọc, Phạm Thị Hoàng Mai, Võ Duy Nguyên, Nguyễn Tấn Trần Minh Khang, "Thử nghiệm đánh giá số phương pháp phát đối tượng điều kiện trời mưa", Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, 2020, Hạ Long, Việt Nam 47 TÀI LIỆU THAM KHẢO [1] Zhu, Jun-Yan, et al, "Unpaired image-to-image translation using cycleconsistent adversarial networks," in Proceedings of the IEEE international conference on computer vision, 2017 [2] Redmon, Joseph, et al, "You only look once: Unified, real-time object detection," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016 [3] Liu, Wei, et al, "Ssd: Single shot multibox detector," in European conference on computer vision Springer, Cham, 2016 [4] Bochkovskiy, Alexey, Chien-Yao Wang, and Hong-Yuan Mark Liao, "YOLOv4: Optimal Speed and Accuracy of Object Detection," in arXiv preprint arXiv:2004.10934 (2020), 2020 [5] G Jocher, "Yolov5," in Available: https:// github com/ ultralytics/ yolov5, (accessed: 15.07.2020) [6] Ren, Shaoqing, et al, "Faster r-cnn: Towards real-time object detection with region proposal networks," in IEEE transactions on pattern analysis and machine intelligence 39.6 (2016): 1137-1149, 2016 [7] He, Kaiming, et al, "Mask r-cnn," in Proceedings of the IEEE international conference on computer vision, 2017 [8] Dai, Jifeng, et al, "R-fcn: Object detection via region-based fully convolutional networks," in arXiv preprint arXiv:1605.06409, 2016 [9] Redmon, Joseph, and Ali Farhadi, "YOLO9000: better, faster, stronger," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017 48 [10] Redmon, Joseph, and Ali Farhadi, "Yolov3: An incremental improvement," in arXiv preprint arXiv:1804.02767, 2018 [11] Wang, Chien-Yao, et al, "CSPNet: A new backbone that can enhance learning capability of cnn," in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2020 [12] Liu, Shu, et al, "Path aggregation network for instance segmentation," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018 [13] Tan, Mingxing, Ruoming Pang, and Quoc V Le, "Efficientdet: Scalable and efficient object detection," in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020 [14] Tan, Mingxing, and Quoc V Le, "Efficientnet: Rethinking model scaling for convolutional neural networks.," in arXiv preprint arXiv:1905.11946, 2019 [15] Li, Siyuan, et al, "Single image deraining: A comprehensive benchmark analysis," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019 [16] Wen, Longyin, et al, "UA-DETRAC: A new benchmark and protocol for multiobject detection and tracking," in Computer Vision and Image Understanding 193 (2020): 102907, 2020 [17] A Rosebrock, "Opencv gamma correction," in [Online] Available: https://www.pyimagesearch.com/2015/10/05/opencv-gamma-correction/ (accessed: 18.09.2020) [18] L Liu, W Ouyang, X Wang, P Fieguth, J Chen, X Liu, M Pietik ̈ainen, "Deep learning for generic object detection: A survey," in International journal of computer vision, vol 128, no 2, pp 261–318, 2020 49 [19] Lin, Tsung-Yi, et al, "Feature pyramid networks for object detection," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017 [20] Liu, Shu, et al, "Path aggregation network for instance segmentation," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018 [21] Ghiasi, Golnaz, Tsung-Yi Lin, and Quoc V Le, "Nas-fpn: Learning scalable feature pyramid architecture for object detection," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2019 [22] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E Hinton, "Imagenet classification with deep convolutional neural networks," in Communications of the ACM 60.6 (2017): 84-90., 2017 50 PHỤ LỤC 51 ... Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ (VEHICLE DETECTION... Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ (VEHICLE DETECTION... TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HỒ THÁI NGỌC - 16520825 PHẠM THỊ HOÀNG MAI - 16520717 PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG TẠI CÁC TRUNG TÂM THÀNH PHỐ VEHICLE DETECTION IN