Bài viết này trình bày về việc sử dụng mạng nơ-ron tích chập, một trong những kiến trúc phổ biến của học sâu để nhận diện và phân loại cảm xúc khuôn mặt. Một cách tổng quát, các mạng nơ-ron được chọn có cấu trúc phức tạp và có tham số lớn, tác giả tập trung vào việc xây dựng một mạng nơ-ron đơn giản hơn và phù hợp với bộ dữ liệu thông qua phương pháp so sánh và đánh giá. Mời các bạn cùng tham khảo! | Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 04 2021 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 11 NHẬN DIỆN CẢM XÚC KHUÔN MẶT DÙNG MẠNG NƠ RON TÍCH CHẬP CNN TRÊN PHẦN CỨNG JETSON TX2 IMPLEMENTATION OF FACIAL EMOTION RECOGNITION USING CNN ON JETSON TX2 Phạm Minh Quyền Phùng Thanh Huy Đỗ Duy Tân Huỳnh Hoàng Hà Trương Quang Phúc Trường Đại học Sư phạm Kỹ thuật Việt Nam Ngày toà soạn nhận bài 19 8 2020 ngày phản biện đánh giá 3 9 2020 ngày chấp nhận đăng 29 9 2020 TÓM TẮT Trong bài báo này tác giả sử dụng mạng nơ-ron tích chập một trong những kiến trúc phổ biến của học sâu để nhận diện và phân loại cảm xúc khuôn mặt. Một cách tổng quát các mạng nơ-ron được chọn có cấu trúc phức tạp và có tham số lớn tác giả tập trung vào việc xây dựng một mạng nơ-ron đơn giản hơn và phù hợp với bộ dữ liệu thông qua phương pháp so sánh và đánh giá. Ngoài ra tác giả cũng tập trung vào việc thu thập một tập dữ liệu đủ lớn để đạt kết quả cao. Cụ thể tác giả lựa chọn sử dụng nền tảng phần cứng nhúng Jetson TX2 của NVIDIA để tận dụng khả năng tính toán của GPU nhằm tối ưu thời gian tính toán và huấn luyện dữ liệu. Trong đó dữ liệu được sử dụng là FER2013 và RAF để huấn luyện và kiểm tra. Phương pháp sử dụng đã đạt được độ chính xác 72 trên tập dự liệu kiểm tra. Từ khóa Nhận diện cảm xúc khuôn mặt mạng nơ-ron CNN Jetson TX2. ABSTRACT In this paper a convolutional neural network CNN one of the most popular deep learning architectures used for facial extraction research has been implemented on NVIDIA Jetson TX2 hardware. Different from many existing approaches investigating CNN with complex structure and large parameters we have focused on building a robust neural network through extensive performance comparison and evaluation. In addition we have collected a dataset using a built-in camera on a laptop computer. Specifically we have applied our model on Jetson TX2 hardware to take advantage of the computational power of the embedded GPU to optimize computation time and data training.
