Khóa luận tốt nghiệp tái nhận dạng nhân vật sử dụng phương pháp học sâu

67 16 0
Khóa luận tốt nghiệp tái nhận dạng nhân vật sử dụng phương pháp học sâu

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN CƠNG MINH NGUYỄN HỒNG TRỌNG NGHĨA KHĨA LUẬN TỐT NGHIỆP TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU PERSON RE-IDENTIFICATION BASED ON DEEP LEARNING 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 NGUYỄN CƠNG MINH – 16520740 NGUYỄN HỒNG TRỌNG NGHĨA – 16520808 KHÓA LUẬN TỐT NGHIỆP TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU PERSON RE-IDENTIFICATION BASED ON DEEP LEARNING 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 TRƯỜNG ĐẠI HỌC VIỆT NAM CÔNG NGHỆ THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU Cán hướng dẫn/phản biện: Nhóm SV thực hiện: Nguyễn Cơng Minh 16520740 Nguyễn Hồng Trọng Nghĩa 16520808 Tiến sĩ Nguyễn Tấn Trần Minh Khang Đánh giá khoá 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: Nguyễn Cơng Minh : /10 Nguyễn Hồng Trọng Nghĩa : /10 Người nhận xét (Ký tên ghi rõ họ tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA TRƯỜNG ĐẠI HỌC VIỆT NAM CÔNG NGHỆ THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU Cán hướng dẫn/phản biện: Nhóm SV thực hiện: Nguyễn Cơng Minh 16520740 Nguyễn Hồng Trọng Nghĩa 16520808 Đánh giá khoá 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: Nguyễn Công Minh : /10 Nguyễn Hoàng Trọng Nghĩa : /10 Người nhận xét (Ký tên ghi rõ họ tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM CÔNG NGHỆ THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc ĐỀ CƯƠNG CHI TIẾT TÊN ĐỀ TÀI: TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU TÊN ĐỀ TÀI TIẾNG ANH: PERSON RE-IDENTIFICATION USING DEEP LEARNING APPOARCH Cán hướng dẫn: TS Nguyễn Tấn Trần Minh Khang Thời gian thực hiện: Từ ngày 01/09/2020 đến ngày 28/12/2020 Sinh viên thực hiện: Nguyễn Hồng Trọng Nghĩa – 16520808 Nguyễn Cơng Minh – 16520740 Nội dung đề tài: Trong thời đại công nghệ phát triển ngày nay, hệ thống camera giám sát an ninh ngày phổ biến môi trường cần đảm bảo an ninh siêu thị, trường học, ngân hàng, bãi giữ xe, Việc vận hành, sử dụng hệ thống camera quan sát thực thủ công chủ yếu chuyên viên vận hành Tuy nhiên, địa điểm kể trên, số lượng người xuất lớn, gây nhiều khó khăn việc tìm kiếm người đám đông Một yêu cầu hệ thống kiểm soát an ninh tìm kiếm đối tượng di chuyển qua camera khác Tìm kiếm nhân vật nội dung quan trọng toán tái nhận dạng nhân vật (Person ReIdentification/ Person ReId) Bài tốn tìm kiếm nhân vật có đầu vào hình ảnh người cần tìm kiếm thu từ camera danh sách ảnh người thu từ camera khác, đầu danh sách ảnh người xếp theo độ tương đồng giảm dần so với ảnh người cần tìm kiếm Mục tiêu: - Tìm hiểu tổng quan toán tái nhận dạng nhân vật - Cài đặt, thử nghiệm phương pháp tái nhận diện nhân vật sử dụng học sâu với số không gian – thời gian - Thử nghiệm phương pháp học sâu kết hợp số không gian – thời gian - Viết báo khoa học phương pháp thực nghiệm tìm hiểu Phương pháp thực hiện: - Tìm hiểu cơng nghệ, kỹ thuật sử dụng tốn tái nhận dạng nhân vật: phương pháp truyền thống, phương pháp học sâu, phương pháp dựa độ đo, phương pháp sử dụng thông tin không gian - thời gian - Tìm hiểu, cài đặt huấn luyện mơ hình học sâu theo phương pháp Spatial – Temporal Person ReIdentificaion - Thử nghiệp phương pháp học sâu kết hợp số không gian – thời gian - Viết báo khoa học phương pháp thực nghiệm tìm hiểu Kết quả: - Báo cáo đánh giá phương pháp học sâu kết hợp thông tin không gian – thời gian - Các tài liệu kiến trúc công nghệ áp dụng hệ thống tái nhận diện nhân vật - Kết quả, kết luận phương pháp tìm hiểu Kế hoạch thực hiện: STT Nội dung - Thời gian Khảo sát tìm hiểu tốn tái nhận dạng 01/09/2020 đến 13/09/2020 nhân vật Tìm hiểu liệu Market1501 DukeMTMC-reID - Tìm hiểu deep learning 14/09/2020 đến 25/09/2020 Tìm hiểu kỹ thuật deep learning áp dụng tốn tái nhận dạng nhân vật - Tìm hiểu phương pháp Spatial - Temporal 28/09/2020 đến 09/10/2020 Person Re-Identification (St-reid) Cài đặt huấn luyện mơ hình St-reid - - Huấn luyện mơ hình học sâu cho toán 12/10/2020 đến 30/10/2020 tái nhận dạng nhân vật: DenseNet, PCB, OSNet Kết hợp mơ hình học sâu huấn luyện với số không gian thời gian thử nghiệm hai liệu tìm hiểu - Đánh giá kết thu từ việc thử nghiệm 02/11/2020 đến 08/11/2020 bước - Áp dụng phương pháp tìm hiểu 09/11/2020 đến 06/12/2020 - Tổng hợp kết có 07/12/2020 đến 11/12/2020 - Viết báo cáo khóa luận 01/12/2020 đến 27/12/2020 − Một luồng không gian – thời gian có mục đích lấy thơng tin khơng gian – thời gian bổ sung để trợ giúp luồng đặc trưng thị giác Thay dùng hàm phân phối xác suất đóng tuân theo chủ yếu giả thuyết, ước lượng phân phối không gian – thời gian cách sử dụng hướng tiếp cận ước lượng không tham số, Parzen Window Tuy nhiên, tốn thời gian để trực tiếp ước lượng hàm mật độ xác suất có q nhiều điểm liệu không gian – thời gian 4.1.3 Hàm Joint Để kết hợp thông tin từ hai luồng trên, hàm Joint với phương pháp làm mượt logistic mà điều chỉnh xác suất kiện gặp tính tốn xác suất hai cặp ảnh có ID với thông tin định Chúng sử dụng hai hướng tiếp cận: − Làm mượt Laplace Là kỹ thuật sử dụng rộng rãi ước lượng xác suất trước Naive Bayes Kỹ thuật sử dụng để điều chỉnh xác suất trường hợp gặp nên trường hợp mà xác suất gần tránh − Hàm logistic Một mơ hình logistic áp dụng rộng rãi toán phân lớp nhị phân 4.2 Độ đo Để đánh giá hiệu hệ thống tái nhận dạng nhân vật, hai độ đo thường sử dụng Rank-i mean Average Precision 4.2.1 Rank-i Bài toán tái nhận dạng nhân vật thường độ Rank-i Rank-i khả dự đoán i kết tập gallary Tùy theo cách rút trích đặc trưng thị giác độ đo khoảng cách khác mà danh sách 34 xếp hạng khác thứ hạng xác danh sách gọi true rank (hạng đúng) Tuy danh sách xếp hạng có nhiều thứ hạng xác hạng tính thứ hạng xác 𝑅𝑎𝑛𝑘 𝑖 = 4.2.2 𝑠ố 𝑙ượ𝑛𝑔 𝑡𝑟𝑢𝑒 𝑟𝑎𝑛𝑘 𝑡ạ𝑖 𝑖 𝑠ố ả𝑛ℎ 𝑞𝑢𝑒𝑟𝑦 Mean Average Precision Mean Average Precision (mAP – độ đo xác trung bình) Một hệ thống tái nhận dạng nhân vật lý tưởng nên trả tất giá trị xác cho người dùng Với hai hệ thống khác nhau, có khả nhận dạng xác nhân vật danh sách xếp hạng có độ phủ truy vấn (retrieval recall) khác Do vậy, mAP lấp đầy khoảng trống rank-i trường hợp 𝐴𝑣𝑒𝑃 (𝑞) = ∑𝐾 𝑘=1 𝑘 𝑖 𝑛 Trong đó: • K số lượng true rank danh sách kết • i vị trí true rank danh sách kết • n tổng số lượng ảnh danh sách kết 𝑚𝐴𝑃 = ∑𝑄𝑞=1 𝐴𝑣𝑒𝑃(𝑞) 𝑄 Trong đó: • Q số lượng ảnh truy vấn • AveP(P): độ xác trung bình truy vấn P 35 4.3 Thực nghiệm 4.3.1 Môi trường thực nghiệm Phần cứng: ➢ Hệ điều hành Ubuntu 16.04 x86\_64 ➢ 16 CPU Intel Xeon Scalable Processor 2.0 GHz ➢ 64 GB RAM ➢ GPU RTX 2080Ti 12GB Phần mềm: ➢ Python 3.6 ➢ Pytorch 1.3 ➢ CUDA 10.0 ➢ Anaconda 4.3.2 Các bước huấn luyện Các bước tiến hành sau bước tiến thực thực nghiệm theo framework st-ReID: ➢ Chuẩn bị liệu Chuẩn hóa cấu trúc thư mục dataset tên file để dễ dàng trích xuất thông tin không - thời gian cho phương pháp Cấu trúc thư mục dataset sau chuẩn bị có dạng: gallery, query, train, train_all, val Và tên file có dạng ID_cameraID_timeStamp ➢ Học đặc trưng thị giác (PCB DenseNet) Huấn luyện mơ hình rút trích đặc trưng thị giác với dataset chuẩn bị ➢ Trích xuất đặc trưng thị giác với dataset chuẩn hóa ➢ Tạo phân phối khơng - thời gian liệu ➢ Joint Metric Kết hợp thông tin đặc trưng thị giác với thông tin không - thời gian ➢ Thử nghiệm ranking re-ranking lại mơ hình 36 4.4 Kết thực nghiệm Chúng tơi sử dụng model DenseNet để rút trích đặc trưng với độ đo khoảng cách cosine Để đánh giá kết tốn, chúng tơi sử dụng hai độ đo phổ biến Rank-i mAP Rank i tỉ lệ thứ hạng (true rank) nằm i vị trí danh sách xếp hạng (ranked list) tổng số ảnh probe cần tái nhận dạng mAP lấy giá trị trung bình điểm số average precision tất câu truy vấn Từ kết Bảng 4.1, thấy nhờ vào thông tin bổ sung từ luồng không gian – thời gian, cải thiện đáng kể cho model DenseNet (Rank-1 đạt 97.5% so với 80.9%, tăng 15%) Điều cho ta thấy, với loại thơng tin đơn giản thu thập dễ dàng thông tin không, thời gian giúp cho cải thiện đáng kể kết DenseNet (một mạng không thiết kế chuyên biệt cho toán tái nhận dạng nhân vật) tương đương kết phương pháp học sâu, mạng thiết kế chuyên biệt cho toán Market-1501 Phương pháp DukeMTMC-reID R-1 R-5 R-10 mAP R-1 R-5 R-10 mAP 80.9 91.4 94.3 61.4 73.1 - - 55.1 + Thông tin không gian – 97.5 99.2 99.4 88.6 92.9 96.7 97.4 80.8 98.8 99.0 94.6 91.2 95.9 96.5 90.5 Rút trích đặc trưng (DenseNet-121) Rút trích đặc trưng thời gian Rút trích đặc trưng + Thơng tin không gian – 97.1 thời gian + rerank 37 (DenseNet-121) St-reid 98.0 98.9 99.1 95.5 94.5 Bảng 4.1 Kết thực nghiệm 38 96.8 97.1 92.7 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Trong khóa luận này, cung cấp kết sơ việc chạy thực nghiệm phương pháp tái nhận dạng nhân vật sử dụng phương pháp học sâu Cụ thể, phương pháp St-reid, PCB Từ chúng tơi, thử nghiệm số không gian – thời gian giới thiệu phương pháp St-reid để áp dụng vào phương pháp rút trích đặc trưng khơng thiết kế cho toán nhằm nâng cao hiệu phương pháp rút trích Trong khóa luận này, chúng tơi thử nghiệm phương pháp rút trích đặc trưng DenseNet đạt kết tiệm cật phương pháp tiên tiến cho tốn Tìm hiểu tổng hợp hướng nghiên cứu toán tái nhận dạng nhân vật Cùng với số liệu phổ biến sử dụng toán Market1501 DukeMTMC-reid 5.2 Hướng phát triển - Xây dựng ứng dụng quản lý camera giám sát ứng dụng tái nhận dạng nhân vật - Áp dụng phương pháp vào toán tái nhận dạng người với liệu video - Kết hợp toán tái nhận dạng với person detection person tracking tạo thành framework hồn chỉnh 39 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ • Nghia T H Nguyen, Minh C Nguyen, Nguyen D Vo, Tung M Vo, Khang Nguyen Tái nhận dạng nhân vật sử dụng phương pháp học sâu Trong Hội nghị Quốc gia lần thứ XXIII Điện tử, Truyền thông Công nghệ Thông tin (REVECIT 2020) 40 TÀI LIỆU THAM KHẢO [1] D Li, X Chen, Z Zhang, and K Huang, “Learning deep context-aware features over body and latent parts for person re-identification,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp 384–393 [2] S Li, S Bak, P Carr, and X Wang, “Diversity regularized spatiotemporal attention for video-based person re-identification,”in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp 369–378 [3] J Lv, W Chen, Q Li, and C Yang, “Unsupervised cross-dataset person reidentification by transfer learning of spatial-temporal patterns,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp 7948– 7956 [4] V D Nguyên and N T B Ngọc, “Đánh giá số phương pháp biểu diễn đặc trưng cho tốn tái nhận dạng nhân vật,” Tạp chí Khoa học, vol 15, no 6, p 97, 2018 [5] N T S N T T M K Nguyễn Thành Hiệp, Võ Duy Nguyên, “Tái nhận dạng nhân vật cấp độ điểm ảnh,” Conference on information technology and its applications (CITA), 2019 [6] G Wang, J Lai, P Huang, and X Xie, “Spatial-temporal person reidentification,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol 33, 2019, pp 8933–8940 [7] Z Zhong, L Zheng, D Cao, and S Li, “Re-ranking person re-identification with k-reciprocal encoding,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017, pp 1318–1327 [8] G Wang, J Lai, and X Xie, “P2snet: Can an image match avideo for person reidentification in an end-to-end way?” IEEE Transactions on Circuits and Systems for Video Technology,vol 28, no 10, pp 2777–2787, 2017 41 [9] W Huang, R Hu, C Liang, Y Yu, Z Wang, X Zhong, and C Zhang, “Camera network based person re-identification by leveraging spatial-temporal constraint and multiple camerasrelations,” in International Conference on Multimedia Modeling Springer, 2016, pp 174–186 [10] G Huang, Z Liu, L Van Der Maaten, and K Q Weinberger, “Densely connected convolutional networks,” in Proceedings ofthe IEEE conference on computer vision and pattern recognition, 2017, pp 4700–4708 [11] Y Lin, L Zheng, Z Zheng, Y Wu, Z Hu, C Yan, and Y Yang, “Improving person re-identification by attribute and identity learning,” Pattern Recognition, vol 95, pp 151–161, 2019 [12] Z Zheng, L Zheng, and Y Yang, “Unlabeled samples generated by gan improve the person re-identification baseline in vitro,” in Proceedings of the IEEE International Conference on ComputerVision, 2017, pp 3754–3762 [13] Yi, Dong, et al "Deep metric learning for person re-identification." 2014 22nd International Conference on Pattern Recognition IEEE, 2014 [14] Hao Liu et al “End-to-end comparative attention networks for person reidentification” In:IEEE Transactions on Image Processing26.7 (2017), pp 3492– 3506 [15] Lin Wu, Chunhua Shen, and Anton van den Hengel “Deep recurrent convolutional networks for video-based person re-identification: An end-to-end approach” In:arXiv preprint arXiv:1606.01609(2016) [16] Ian Goodfellow et al “Generative adversarial nets” In:Advances in neuralinformation processing systems 2014, pp 2672–2680 [17] Zhedong Zheng, Liang Zheng, and Yi Yang “Unlabeled samples generatedby gan improve the person re-identification baseline in vitro” In:Proceed-ings of the IEEE International Conference on Computer Vision 2017, pp 3754–3762 42 [18] Zhou Yin et al “Adversarial attribute-image person re-identification” In:arXiv preprint arXiv:1712.01493(2017) [19] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp 770-778 2016 [20] Huang, Gao, Zhuang Liu, Laurens Van Der Maaten, and Kilian Q Weinberger "Densely connected convolutional networks." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp 4700-4708 2017 [21] Liu, Wei, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, and Alexander C Berg "Ssd: Single shot multibox detector." In European conference on computer vision, pp 21-37 Springer, Cham, 2016 [22] Dai, Jifeng, Yi Li, Kaiming He, and Jian Sun "R-fcn: Object detection via region-based fully convolutional networks." arXiv preprint arXiv:1605.06409 (2016) [23] Gheissari, Niloofar, Thomas B Sebastian, and Richard Hartley "Person reidentification using spatiotemporal appearance." In 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06), vol 2, pp 1528-1535 IEEE, 2006 [24] Farenzena, Michela, Loris Bazzani, Alessandro Perina, Vittorio Murino, and Marco Cristani "Person re-identification by symmetry-driven accumulation of local features." In 2010 IEEE computer society conference on computer vision and pattern recognition, pp 2360-2367 IEEE, 2010 [25] Bazzani, Loris, Marco Cristani, Alessandro Perina, Michela Farenzena, and Vittorio Murino "Multiple-shot person re-identification by hpe signature." In 2010 20th International Conference on Pattern Recognition, pp 1413-1416 IEEE, 2010 43 [26] Barbosa, Igor Barros, Marco Cristani, Alessio Del Bue, Loris Bazzani, and Vittorio Murino "Re-identification with rgb-d sensors." In European Conference on Computer Vision, pp 433-442 Springer, Berlin, Heidelberg, 2012 [28] Li, Wei, Rui Zhao, Tong Xiao, and Xiaogang Wang "Deepreid: Deep filter pairing neural network for person re-identification." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp 152-159 2014 [29] https://en.wikipedia.org/wiki/File:Neuron3.png [30] https://ataspinar.com/2016/12/22/the-perceptron [31] McCulloch, Warren S., and Walter Pitts "A logical calculus of the ideas immanent in nervous activity." The bulletin of mathematical biophysics 5, no (1943): 115-133 [32] https://medium.com/@rajatgupta310198/getting-started-with-neural-networkfor-regression-and-tensorflow-58ad3bd75223 [33] https://adeshpande3.github.io/A-Beginner%27s-Guide-To-UnderstandingConvolutional-Neural-Networks/ [34] https://en.wikipedia.org/wiki/Convolutional_neural_network [35] Hirzer, Martin, Csaba Beleznai, Peter M Roth, and Horst Bischof "Person reidentification by descriptive and discriminative classification." In Scandinavian conference on Image analysis, pp 91-102 Springer, Berlin, Heidelberg, 2011 44 PHỤ LỤC A 45 46 47 48 ... khoa học phương pháp thực nghiệm tìm hiểu Phương pháp thực hiện: - Tìm hiểu cơng nghệ, kỹ thuật sử dụng toán tái nhận dạng nhân vật: phương pháp truyền thống, phương pháp học sâu, phương pháp. .. hiểu tổng quan toán tái nhận dạng nhân vật - Cài đặt, thử nghiệm phương pháp tái nhận diện nhân vật sử dụng học sâu với số không gian – thời gian - Thử nghiệm phương pháp học sâu kết hợp số không... Hạnh Phúc TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: TÁI NHẬN DẠNG NHÂN VẬT SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU Cán hướng dẫn/phản biện: Nhóm SV thực hiện:

Ngày đăng: 05/09/2021, 20:51

Tài liệu cùng người dùng

Tài liệu liên quan