Đang chuẩn bị liên kết để tải về tài liệu:
Tóm tắt Luận văn Thạc sĩ kỹ thuật: Ứng dụng mạng nơ ron tích chập nhận dạng các đối tượng di động

Đề tài “Ứng dụng mạng Nơ ron tích chập nhận dạng các đối tượng di động” được thực hiện nhằm mục tiêu của đề tài là thực nghiệm mô hình Faster R-CNN nhận dạng các đối tượng tĩnh và di động, đưa ra các đánh giá độ chính xác của mô hình trong trường hợp tín hiệu đầu vào lúc bình thường và nhiễu. | ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN VĂN NAM ỨNG DỤNG MẠNG NƠ RON TÍCH CHẬP NHẬN DẠNG CÁC ĐỐI TƯỢNG DI ĐỘNG Chuyên ngành Kỹ thuật điều khiển và tự động hóa Mã số 8520216 LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2020 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học TS. NGÔ ĐÌNH THANH Phản biện 1 TS. Phan Văn Hiền Phản biện 2 TS. Nguyễn Bê Luận văn được bảo vệ tại Hội đồng chấm luận văn tốt nghiệp thạc sĩ chuyên ngành Kỹ thuật điều khiển và tự động hóa họp tại Trường Đại học Bách khoa vào ngày 18 tháng 1 năm 2020 Có thể tìm hiểu luận văn tại - Trung tâm thông tin-Học liệu Đại học Đà Nẵng - Thư viện trường Đại học Bách khoa Đà Nẵng 1 MỞ ĐẦU 1. Tính cấp thiết của đề tài Những năm gần đây việc ứng dụng các mô hình Deep Learning vào trong thực tế được nhiều nhà khoa học quan tâm tham gia nghiên cứu nổi trội trong đó là mô hình mạng Nơ ron tích chập CNN - Convolutional Neural Networks 1 2 3 như một ứng cử viên sáng giá để giải quyết các vấn đề như xử lý dữ liệu đầu vào lớn xử lý online nâng cao độ chính xác và khả năng xử lý nhiễu đầu vào. Để thực hiện được những yêu cầu trên mô hình CNN cũng trải qua các cải tiến cụ thể Mạng Nơ ron tích chập khu vực R-CNN - Regional convolutional neural networks 4 5 6 Mạng Nơ ron tích chập khu vực nhanh Fast R-CNN - Fast region-based convolutional neural networks 7 Mạng Nơ ron tích chập khu vực nhanh hơn Faster R- CNN - Faster region-based convolutional neural networks 8 9 . Trong đó mô hình Faster R-CNN không dùng thuật toán tìm kiếm chọn lọc để lấy ra các khu vực mà nó thêm một mạng CNN mới gọi là mạng đề xuất khu vực RPN - Region Proposal Networks để tìm các khu vực 8 . Đầu tiên cả bức ảnh được cho qua mô hình huấn luyện trước để lấy bản đồ đặc trưng. Sau đó bản đồ đặc trưng được dùng cho RPN để lấy được các khu vực sau khi lấy được vị trí các khu vực thì thực hiện tương tự Fast R-CNN 7 . Độ chính xác nhận dạng là một yếu tố quan trọng của mô hình khi ứng dụng vào trong thực tế khi đầu vào bị nhiễu nhiễu .