TAILIEUCHUNG - Mô hình huấn luyện mạng nơ ron dựa trên ảnh mô phỏng

Trong quá trình khai thác học sâu, người ta dần nhận thấy mối liên hệ mạnh mẽ giữa số lượng dữ liệu đầu vào và độ chính xác của giải thuật. Tuy nhiên trong thực tế, việc lấy dữ liệu cho một số đối tượng cần nhận dạng là phức tạp và rất mất thời gian. Bài viết trình bày việc xây dựng mô hình huấn luyện dựa trên ảnh nhân tạo thông qua việc sử dụng một phần của mạng Inception v3 đã huấn luyện. | Mô hình huấn luyện mạng nơ ron dựa trên ảnh mô phỏng Công nghệ thông tin MÔ HÌNH HUẤN LUYỆN MẠNG NƠ-RON DỰA TRÊN ẢNH MÔ PHỎNG Đặng Hoàng Minh*, Phạm Văn Lai Tóm tắt: Ngày nay, việc ứng dụng Deep Learning trong xử lý ảnh đã ngày một phổ biến. Trong quá trình khai thác học sâu, người ta dần nhận thấy mối liên hệ mạnh mẽ giữa số lượng dữ liệu đầu vào và độ chính xác của giải thuật. Tuy nhiên trong thực tế, việc lấy dữ liệu cho một số đối tượng cần nhận dạng là phức tạp và rất mất thời gian. Nhằm giải quyết vấn đề đấy, việc học dựa trên dữ liệu mô phỏng trở thành vấn đề được nhiều nhóm nghiên cứu quan tâm. Trong bài báo này, chúng tôi xây dựng mô hình huấn luyện dựa trên ảnh nhân tạo thông qua việc sử dụng một phần của mạng Inception v3 đã huấn luyện. Từ khóa: Deep learning (học sâu), Mạng nơ-ron, Mạng nơ-ron tích chập. 1. MỞ ĐẦU Deep Learning là một mô hình mạnh mẽ cho bài toán nhận dạng đối tượng từ ảnh. Tuy nhiên, nó có một nhược điểm là đỏi hỏi lượng dữ liệu quá lớn. Do đó, nhu cầu học dựa trên ảnh mô phỏng được đề ra. Lý do là vì việc tạo ra ảnh mô phỏng đơn giản hơn nhiều so với việc thu thập ảnh thật. Một số nhóm nghiên cứu đã tiến hành thử nghiệm, tuy nhiên, kết quả còn khiêm tốn và chưa thể ứng dụng rộng rãi. Một số nghiên cứu có thể kể đến như sau: - “Học dựa trên ảnh mô phỏng, không giám sát thông qua huấn luyện đối nghịch” [1]. Ý tưởng của công trình này là xây dựng một mạng đối nghịch (Generative Adversarial Network – GAN) [8] có khả năng tinh chỉnh ảnh mô phỏng sao cho nó giống với ảnh thật. Ảnh sau khi được tinh chỉnh có thể sử dụng làm dữ liệu đầu vào cho các mô hình mạng nơ-ron nhận dạng đối tượng. Tuy nhiên, mô hình này mới chỉ ứng dụng với các đối tượng đơn giản(như mắt người). - “Huấn luyện phân loại đối tượng dựa trên dữ liệu nhân tạo thông qua việc sử dụng một autoencoder đa kênh” [2]. Tư tưởng của phương pháp này là sử dụng một autoencoder đa kênh được huấn luyện bởi đồng thời cả .

• Quản trị mạng
• Deep learning
• Mạng nơ ron
• Mạng nơ ron tích chập
• Mạng Inception v3
• Kiến trúc mạng nơ ron
• Bi LSTM deep learning network
• Malicious URL detection
• Attention mechanism in deep learning
• Micro average
• Neural network and deep learning
• Neural network and deep learning: A textbook
• Multilayer neural networks
• Common neural architectures
• Training deep neural networks
• Radial basis function networks
• Journal of Automation and Control Engineering
• On replacing pid controller
• Deep learning controller for DC motor system
• Deep learning controller
• Learning PID controller
• Noisy image classification using hybrid deep learning methods
• Noisy image classification
• Hybrid deep learning methods
• The input noisy image
• The DNN based better noisy image classification system
• Structural damage detection
• Deep learning algorithm
• Signal processing
• Hybrid deep learning algorithm
• BMC Bioinformatics
• Unsupervised learning
• Glioblastoma multiforme
• Deep belief network
• Gene expression
• Model selection
• Spatio temporal database
• Rainfall analysis
• SQL ecosystem and deep learning
• Spatio temporal database research
• Entity recognition in Vietnamese texts
• Character level deep lifelong learning model
• Named entity recognition
• Deep lifelong learning
• DeepLML for NER in Vietnamese texts
• Normalization methods
• Machine learning
• Representation learning
• Phenotype prediction
• Molecular diagnostics
• Information and communication technology
• Parametric flatten T swish
• Adaptive nonlinear activation function for deep learning
• Adaptive nonlinear activation
• Activation function
• Information sciences
• Cancelable ECG biometric
• Deep transfer learning with DNA
• Amino acid approaches for human authentication
• Deep transfer learning
• Deep learning for semantic matching
• Applied deep learning
• Describe important applications
• Semantic text similarity
• Schema/ontology matching
• Lecture Advanced Computer Networks
• Bài giảng Mạng máy tính nâng cao
• Advanced Computer Networks
• Networking for Machine Learning
• Accelerate deep learning training
• Deep learning inference
• Deep convolution activation feature
• Feature learning
• Histopathology image analysis
• Genome Biology
• Splicing code
• Liver specific splicing
• Deep neural networks
• Cell detection
• Survival analysis
• Image analysis
• Image quality
• Open source
• Social sciences
• Relationship between motivational goal orientations
• General education classroom learning environment
• Deep approaches to learnin
• Motivational goal orientations
• Single cell
• Semi supervised learning
• Downstream analysis
• Artificial neural network
• Single cell genomics
• DNA methylation
• Turkish Journal of Agriculture and Forestry
• Tạp chí Nông Lâm nghiệp
• Convolutional neural network
• Transfer learning
• Vine leaf diseases
• Automated detection
• Intelligent health risk prediction
• Multi label classification
• Medical health records
• Deep recurrent neural network
• Restricted Boltzmann machine
• Protein torsion angle prediction
• Vietnamese speech synthesis
• Text To Speech system
• Voice response systems
• Deep neural network
• Applying the deep approach
• Improve student’s english learning
• Communicative language teaching
• Communication skil
• Projectbased learning