Xem trước tài liệu

Đang tải tài liệu...

Thông tin chi tiết tài liệu

Định dạng: PDF
Số trang: 27 trang
Dung lượng: 500 KB

Giới thiệu nội dung

Ứng Dụng Mạng Nơ Ron Tích Chập Nhận Dạng Các Đối Tượng Di Động

Tác giả: NGUYỄN VĂN NAM

Lĩnh vực: Kỹ thuật điều khiển và tự động hóa

Nội dung tài liệu:

Luận văn tập trung vào việc ứng dụng mạng Nơ ron tích chập (CNN) trong nhận dạng đối tượng, đặc biệt là đối tượng di động. Đề tài thực nghiệm mô hình Faster R-CNN để nhận dạng các đối tượng tĩnh và di động, đồng thời đánh giá độ chính xác của mô hình trong các điều kiện tín hiệu đầu vào khác nhau, bao gồm cả trường hợp có nhiễu. Nghiên cứu cũng xem xét khả năng ứng dụng của mô hình Faster R-CNN trong việc phân loại loài hoa và nhận dạng hệ động thực vật rừng di động.

Mục lục chi tiết:

  • MỞ ĐẦU
  • 1. Tính cấp thiết của đề tài
  • 2. Mục tiêu của đề tài
  • 3. Đối tượng và phạm vi nghiên cứu
    • 3.1 Đối tượng nghiên cứu
    • 3.2 Phạm vi nghiên cứu
  • 4. Cách tiếp cận, phương pháp nghiên cứu
    • 4.1 Cách tiếp cận
    • 4.2 Phương pháp nghiên cứu
      • 4.2.1 Phương pháp lý thuyết
      • 4.2.2 Phương pháp thực nghiệm
  • 5. Cấu trúc luận văn
  • CHƯƠNG 1 – TỔNG QUAN VỀ THUẬT TOÁN NHẬN DẠNG
    • 1.1. Tổng quan về nhận dạng các đối tượng
      • 1.1.1. Khái niệm về nhận dạng
      • 1.1.2. Các khó khăn trong việc nhận dạng đối tượng
      • 1.1.3. Các ứng dụng trong nhận dạng đối tượng hiện nay
      • 1.1.4. Tổng quan kiến trúc một hệ thống nhận dạng đối tượng
      • 1.1.5. Tổng quan về nhận dạng hoa
    • 1.2. Tổng quan về mạng Nơ ron
    • 1.3. Tổng quan về mạng Nơ ron tích chập (CNN)
      • 1.3.1. Kiến trúc mạng Nơ ron tích chập
      • 1.3.2. Trích rút đặc trưng
      • 1.3.3. Phân loại
    • 1.4. Tổng quan về Faster R-CNN
      • 1.4.1. Bài toán nhận dạng vật thể
      • 1.4.2. Mạng Nơ ron tích chập khu vực (R-CNN)
        • 1.4.2.1. Thuật toán tìm kiếm chọn lọc
        • 1.4.2.2. Phân loại khu vực được đề xuất
        • 1.4.2.3. Vấn đề với R-CNN
      • 1.4.3. Mạng Nơ ron tích chập khu vực nhanh (Fast R-CNN)
        • 1.4.3.1. Region of Interest pooling (ROI pooling)
        • 1.4.3.2. Đánh giá giữa R_CNN và Fast R-CNN
      • 1.4.4. Mạng Nơ ron tích chập khu vực nhanh hơn (Faster R-CNN)
        • 1.4.4.1. Intersection over Union (IoU)
        • 1.4.4.2. Kết quả của Faster R-CNN
        • 1.4.4.3 Các bước thực hiện
  • CHƯƠNG 2 – XÂY DỰNG VÀ HUẤN LUYỆN MÔ HÌNH FASTER R_CNN
    • 2.1. Xây dựng môi trường thực nghiệm mô hình Faster R_CNN
      • 2.1.1. Cấu hình phần cứng cho môi trường thực nghiệm mô hình
      • 2.1.2. Các phần mềm hỗ trợ và phần mềm lập trình
        • 2.1.2.1. Phần mềm CUDA
        • 2.1.2.2. Phần mềm Anaconda
        • 2.1.2.3. Phần mềm Python
        • 2.1.2.4. Phần mềm Tensorflow
        • 2.1.2.5. Cài đặt file môi trường
        • 2.1.2.6. Cài đặt các thư viện hỗ trợ
      • 2.1.3. Cài đặt file môi trường
      • 2.1.4. Cài đặt các thư viện hỗ trợ
    • 2.2. Huấn luyện cho mô hình nhận dạng mười loài hoa
      • 2.2.1. Thu thập dữ liệu
      • 2.2.2. Gán nhãn cho các loài hoa