Xây dựng hệ thống nhận dạng khuôn mặt sử dụng phương pháp học trực tuyến
Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Nguyễn Trung Sơn |
| Người hướng dẫn | Lê Thanh Hà; Ngô Thị Duyên |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2024 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
Trong thời đại số hóa và kết nối toàn cầu hiện nay, công nghệ nhận dạng khuôn mặt đã trở thành một phần không thể thiếu trong nhiều lĩnh vực như an ninh, giám sát và các dịch vụ tiện ích cá nhân. Tuy nhiên, việc triển khai các hệ thống nhận dạng khuôn mặt hiệu quả vẫn đối mặt với nhiều thách thức, đặc biệt là yêu cầu về tài nguyên tính toán cao và bộ dữ liệu huấn luyện lớn. Các mô hình học sâu truyền thống thường đòi hỏi phần cứng mạnh mẽ như GPU và lượng dữ liệu khổng lồ, gây khó khăn cho việc ứng dụng trong môi trường thực tế với nguồn lực hạn chế. Luận văn này tập trung giải quyết những hạn chế hiện tại trong lĩnh vực nhận dạng khuôn mặt bằng cách xây dựng một quy trình toàn diện, hiệu quả và tối ưu hóa tài nguyên. Nghiên cứu được phát triển dựa trên hai công bố tiêu biểu: “A Novel Approach to Endto-End Facial Recognition Framework with Virtual Search Engine ElasticSearch” [14] và “A Hybrid End-to-End Approach Integrating Online Learning with Faceidentification System” [13]. Các công bố này đã đưa ra những cách tiếp cận đột phá, kết hợp mô hình học trực tuyến với hệ thống nhận dạng khuôn mặt, đồng thời tận dụng ElasticSearch như một công cụ truy vấn và quản lý dữ liệu mạnh mẽ. Qua đó, luận văn không chỉ kế thừa mà còn phát triển thêm các ý tưởng này, nhằm tối ưu hóa khả năng nhận dạng và nâng cao hiệu quả hệ thống. Cấu trúc của luận văn được tổ chức như sau: Chương 1 Trình bày tổng quan về bài toán nhận dạng khuôn mặt, công nghệ nhận dạng khuôn mặt, bao gồm các khái niệm cơ bản, lịch sử phát triển và các ứng dụng phổ biến trong đời sống hàng ngày. Chương này phân tích tầm quan trọng của công nghệ trong bối cảnh xã hội hiện đại, giải thích vì sao nó đã trở thành một lĩnh vực nghiên cứu hấp dẫn và thiết yếu trong thời đại số hóa. Đồng thời, tôi giới thiệu các kiến thức nền tảng cần thiết để áp dụng công nghệ này, khái quát các kỹ thuật hiện hành từ phương pháp truyền thống đến những tiến bộ mới nhất trong trí tuệ nhân tạo và học máy. Qua đó, người đọc sẽ có cái nhìn toàn diện về các công cụ và phương pháp đang được sử dụng trong lĩnh vực nhận dạng khuôn mặt. Sau khi đã xây dựng nền tảng lý thuyết, Chương 2 Tập trung vào việc mô tả chi tiết các kỹ thuật mà tôi đã áp dụng trong quá trình nghiên cứu. Tôi sẽ giải thích cách thức tối ưu hóa và phân chia dữ liệu, sử dụng một bộ dữ liệu nhỏ về những người nổi tiếng Việt Nam để giảm thiểu nhu cầu về dữ liệu lớn và nguy cơ rò rỉ thông tin cá nhân. Quy trình huấn luyện mô hình được thiết kế để hoạt động hiệu quả trên máy chủ chỉ sử dụng CPU, loại bỏ sự phụ thuộc vào GPU đắt tiền. Những thách thức gặp phải và cách tôi đã giải quyết chúng cũng được đề cập, nhằm cung cấp một cái nhìn sâu sắc về quá trình thực hiện. Trong Chương 3 Tôi sẽ thảo luận về các thực nghiệm đã tiến hành, bao gồm quá trình cải tiến mô hình và phân tích kết quả thu được. Những đánh giá về hiệu suất của hệ thống nhận dạng khuôn mặt được trình bày một cách chi tiết, minh họa hiệu quả của các phương pháp đã áp dụng. Tôi so sánh quy trình với các thuật toán phổ biến khác trên cùng bộ dữ liệu, cho thấy phương pháp này không chỉ vượt trội về độ chính xác mà còn tăng tốc độ suy luận đáng kể. Điều này đặc biệt quan trọng đối với các ứng dụng yêu cầu xử lý thời gian thực. Cuối cùng, Kết Luận Tổng kết toàn bộ nghiên cứu, đưa ra những kết luận quan trọng và đề xuất hướng phát triển trong tương lai cho dự án. Tôi sẽ nhấn mạnh những đóng góp của luận văn và nêu ra các khả năng mở rộng, ứng dụng tiếp theo của công nghệ nhận dạng khuôn mặt trong các lĩnh vực khác nhau. Tôi tin rằng, với những cải tiến và ưu điểm nêu trên, quy trình nhận dạng khuôn mặt đề xuất sẽ đóng góp tích cực vào sự phát triển của công nghệ này trong tương lai, mở ra cơ hội ứng dụng rộng rãi mà không đòi hỏi đầu tư lớn vào hạ tầng phần cứng và dữ liệu. Thông qua luận văn này, tôi hy vọng đã cung cấp một giải pháp hiệu quả cho bài toán nhận dạng khuôn mặt, đồng thời khẳng định tiềm năng của việc kết hợp các kỹ thuật mới như ElasticSearch trong việc tối ưu hóa h
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Financial distress prediction: evidence from Vietnam
- Visual Analytics intelligent utilisant la technologie de Réalité Mixte = Phân tích trực quan thông minh sử dụng công nghệ thực tế hỗn hợp.
- Identify and control the speed of DC motor using fuzzy-PI on microcontroller platforms.
- Deep learning for predicting stock market index
- Dự đoán lỗi sớm trong phần mềm = JUST-IN-TIME SOFTWARE BUG/DEFECT PREDICTION
- Machine learning avec l’analyse multimodale pour la détection et la prédiction des assemblages collés = Học máy với phân tích đa phương thức để phát hiện và dự đoán các liên kết dán
- Phát triển phương pháp phân vùng ảnh mô bệnh học sử dụng học sâu ứng dụng trong phát hiện ung thư phổi
- Deep learning approach for driver behavior analysis
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.