Tiểu luận Ứng dụng mạng neural tích chập trong nhận dạng hoa quả

M 2021 MỤC LỤC MỞ ĐẦU Mạng neural nhân tạo hay gọi ngắn gọn là mạng neural (tiếng anh là Artifical Neural Network) đang là vấn đề khá nổi trong cuộc cách mạng công nghệ 4.0. Các nhà nghiên cứu, các nhà khoa học, tổ chức đã và đang ứng dụng khá nhiều công nghệ liên quan đến mạng neural vào đời sống hằng ngày. Đơn giản là việc phân loại, nhận dạng các đối tượng trên camera. Chúng góp phần không nhỏ cho việc quản lý, nhận dạng các đối tượng nhằm giảm thiểu sự khó khăn trong công việc của con người. Ở nước ta, nền nông nghiệp được chú trọng phát triển. Mỗi đợt thu hoạch nông sản, người nông dân phải làm thao tác phân loại nông sản bằng các biện pháp thủ công nên rất mất thời gian, công sức. Đây là công việc đơn giản nhưng lại ảnh hưởng rất lớn đối với quy mô phát triển nông nghiệp. Hiện nay nhờ sự phát triển mạnh mẽ của công nghệ trong lĩnh vực học máy. Việc sử dụng các mạng neural nhân tạo trong các máy móc phục vụ nông nghiệp khá là hay, luôn hấp dẫn các nghiên cứu sinh nghiên cứu về nó. Do đó, nhờ sự tìm hiểu và sự giúp đỡ từ thầy hướng dẫn, em chọn đề tài: “Mạng Couvolutional Neural Network và ứng dụng trong việc nhân dạng hoa quả”. Bài báo cáo gồm 3 nội dung chính như sau: Chương I: Giới thiệu tổng quan Chương II: Tìm hiểu mạng Couvolutional Neural Netwok và mô hình mạng Chương III: Ứng dụng Couvolutional Neural Network cho bài toán nhận dạng hoa quả. Danh mục chữ viết tắt Tên viết tắt Nghĩa tiếng anh Nghĩa tiếng viêt ANN Artifical Neural Network Mạng neural nhân tạo CNN Couvolutional Neural Netwok Mạng neural tích chập ReLU Rectified Linear Unit Đơn vị tính toán chỉnh lưu Danh mục đồ thị Hình 1.Mô tả 2 phương pháp trong bái toán nhận dạng 8 Hình 2.Mô tả thị giác con người, cảm hứng cho mạng CNN 10 Hình 3.Hình ảnh đầu vào 2D mặt trời tích chập với một kernal.Một bản đồ đặc trưng (feuturemap) có kích thước (N-2)x(N-2) là kết quả từ phép tính. 12 Hình 4.Minh hoạ 2D – Convolution 13 Hình 5.. Mô hình CNN xử lý đầu vào và phân loại đối tượng 14 Hình 6.Mô tả hoạt động lớp Convolution Layer 15 Hình 7.Ma trận filter của ảnh 15 Hình 8.Vị trí của ma trận tại các điểm ảnh xác định cạnh 15 Hình 9.Mô tả hoạt động khi gộp đầu vào. 16 Hình 10.Dữ liệu tiến hành huấn luyện 19 Hình 11. Dữ liệu tiến hành thử nghiệm (testing) 19 Hình 12. Setting môi trường và đường dẫn cho tập tin dataset 19 Hình 13. kiểm tra đường dẫn trong dataset và khai báo thư viện 20 Hình 14. Mã hoá tập dataset để đưa và mạng CNN 20 Hình 15. Ảnh hiển thị bằng matplotlib 21 Hình 16.Mạng CNN 21 Hình 17. Thiết lập các liên kết trước khi huấn luyên mạng 22 Hình 18.Training CNN 23 Hình 19.Test 24 Chương I: GIỚI THIỆU TỔNG QUAN I.1. Phát biểu bài toán nhận dạng hoa quả Bài toán nhận dạng là một bài toán khá cơ bản trong trí tuệ nhân tạo, học sâu Nó là nền tảng cho hầu hết các lý thuyết liên quan đến nhiều bài toán mở rộng khác như phân lớp, định vị, tách biệt vật thể,... Tuy nhiên, nhìn chung, bài toán này đã xuất hiện và tồn tại hàng thế kỉ mà con người vẫn chưa tìm ra cách giải quyết hợp lý. Do đó, cũng có rất nhiều khó khăn trong việc để máy móc hiểu được các thông tin trong bức ảnh. Các khó khăn có thể kê đến như: sự đa dạng điểm ảnh, sự đa dạng về kích thước, điều kiện ánh sáng, sự ẩn giấu của các vật thể, sự đa dạng chủng loại, màu sắc, Một trong những trường hợp cụ thể của bài toán nhận dạng đó là nhận dạng hoa quả. Bài toán này kế thừa những khó khăn của bài toán nhận dạng nói chung và kèm theo những khó khăn riêng của chính nó như: số lượng chủng loại hoa quả theo mùa, miền, địa hình, với vô số loại có kích thước, màu sắc, kết cấu giống nhau trong suốt chu kỳ phát triển từ lúc xanh đến khi chín; sự đa dạng về kích cỡ, hình dạng của cùng một loài quả do điều kiện khí hậu, đất đai, vùng miền, Do đó, để xử lý bài toán này đòi hỏi phải có những phương pháp tiếp cận phù hợp với yêu cầu đề ra. I.2.Phương pháp tiếp cận bài toán: Bài toán nhận dạng hoa quả từ lâu đã xuất hiện trên nhiều bài báo, diễn đàn, công trình khoa học đã đưa ra nhiều hướng giải quyết khác nhau. Trong đó, sớm nhất phải kể đến phương pháp xử lý ảnh (image processing). Phương pháp này tập trung phần lớn vào việc trích xuất đặc trưng của ảnh như: mức xám, điểm ảnh, tham số màu sắc, kích thước hình dạng vật thể, từ bức ảnh đầu vào của hoa quả. Vì vậy nên phương pháp này chỉ tập trung vào một vài bức ảnh đầu vào trong khi đó sự biến thiên về màu sắc, kích thước hoàn toàn khác nhau đối với các loại hoa quả. Ảnh hưởng của nó đến hiệu suất của phương pháp không được cao nên áp dụng rất hạn chế đối với các loại hoa quả. Từ những năm 2000, một số bài báo viết về áp dụng phương pháp học máy (machine learning) vào bài toán nhận dạng với độ chính xác cao. Từ đó, hướng giải quyết tập trung vào ứng dụng và cải tiến thuật toán học máy, cụ thể là nghiên cứu, thử nghiệm trích chọn đặc trưng cụ thể để đưa vào bộ nhận dạng tự động. Trong phạm vi hạn chế số lượng hoa quả, phương pháp này đã đạt được những kết quả đáng kinh ngạc. Phương pháp học sâu cũng là một trong những cách tiếp cận được áp dụng vào trong bài toán này. Cụ thể kết hợp xử lý dữ liệu và sử dụng mạng neural như: ANN, CNN, Điều này làm giảm đáng kể thời gian xử lý dữ liệu. Hình 1.Mô tả 2 phương pháp trong bái toán nhận dạng I.2.1.Phương pháp Machine Learning truyền thống Phương pháp này gồm 2 giai đoạn chính là huấn luyện (training) và thử nghiệm (testing). Trong mỗi giai đoạn thì yêu cầu chính và quan trọng đó là trích trọn đặc trưng của ảnh (Feature extraction) và thuật toán phân loại, nhận dang, Hai thành phần này ảnh hưởng rất lớn đến kết quả bài toán do đó cần thiết kế cẩn thận, tốn nhiều công sức, thời gian, yêu cầu đối với người thiết kế phải nắm vững chuyên môn và hiểu rõ đặc trưng cần xử lý. Trong thực tế, dữ liệu ta nhận được chỉ là dữ liệu thô, do đó những dữ liệu này phải qua quá trình chọn lọc, xử lý. Để có thể có dữ liệu chuẩn đưa đi huấn luyện phải có quá trình biến đổi thành dạng dữ liệu cho máy hiểu. Mỗi dữ loại dữ liệu sẽ có những đặc trưng riêng đối với từng trường hợp cụ thể. Do đó cần tuỳ biến một cách thích hợp để đảm bảo tính chính xác của bài toán. I.2.2. Phương pháp học sâu – deep learning: Là một trong các lĩnh vực chuyên sâu của học máy xuất hiện từ những năm 1980 và hiện nay đang khá phổ biến. Ta có thể tận dụng kho dữ liệu số khổng lồ trên internet và khả năng tính toán nhanh cho mô hình mạng. Mạng Neural được ứng dụng phổ biến trong phương pháp này. Cụ thể ta đưa dữ liệu qua nhiều lớp của mạng Neural và lấy kết quả đầu ra để sao sánh với dữ liệu huấn luyện. Mỗi lớp của mạng sẽ phân tích đầu vào theo khía cạnh khác nhau và mức trừu tượng tăng dần. I.3. Phương hướng nghiên cứu bài toán: Nhận dạng luôn là một bài toán nền tảng để phát triển bài toán tổng quát, chi tiết với độ chính xác cao. Do đó, bài toán phụ thuộc chủ yếu vào bộ dữ liệu. Bộ dữ liệu càng lớn thì tính chính xác càng được cải thiện. Kết quả của bài toán sẽ được áp dụng cho các mức độ phức tạp chuyên sâu hơn như: phân loại hoa quả, nhận dạng bệnh trên quả, Việc áp dụng mạng neural vào nghiên cứu đảm bảo yêu cầu: phương pháp đơn giản, lượng dữ liệu đưa vào đầy đủ, chính xác với sản phẩm hoa quả phù hợp ở nước ta, độ chính xác khi kết quả đầu ra dự đoán chính xác. Chương II: TÌM HIỂU MẠNG COUVOLUTIONAL NEURAL NETWOK VÀ MÔ HÌNH MẠNG II.1. Couvolutional neural netwok là gì? Mạng neural tích chập (Couvolutional neural netwok) là một thuật toán deep learning có thể lấy hình ảnh đầu vào, gán độ quan trọng (trọng số và độ lệch) cho các đặc trưng và đối tượng khác nhau trong hình ảnh; có thể phân biệt được đặc trưng và đối tượng này với nhau. Công việc tiền xử lý được yêu cầu cho mạng neural tích chập ít hơn nhiều so với các mô hình khác. Trong phương thức sơ khai, các bộ lọc được thiết kế bằng tay, với một quá trình huấn luyện để chọn lọc ra các bộ lọc đặc trưng phù hợp thì mạng neural tích chập lại có khả năng tự học để chọn ra các bộ lọc, đặc trưng tối ưu nhất. Hình 2.Mô tả thị giác con người, cảm hứng cho mạng CNN Kiến trúc neural tích chập tương tự mô hình kết nối của các neural trong bộ não con người và được lấy cảm hứng từ võ thị giác trong bộ não. Các neural chỉ phản ứng với các kích thích trong một khu vực hạn chế của trường thị giác gọi là trường tiếp nhận. Một tập hợp trường tiếp nhận như vậy chồng lên nhau để bao phủ toàn trường thị giác. II.2.Lịch sử phát triển: Nghiên cứu trong thập niên 1950 và 1960 của D.H Hubel và T.N Wiesel trên não động vật đã đề xuất một mô hình mới cho việc cách mà động vật nhìn nhận thế giới. Trong báo cáo hai ông đã mô tả 2 loại tế bào neural trong não và cách hoạt động khác nhau: tế bào đơn giản (simple cell – S cell) và tế bào phức tạp (complex cell – C cell). Các tế bào đơn giản được kích hoạt khi nhận dạng các hình dáng đơn giản như đường nằm trong một khu vực cố định và một góc cạnh của nó. Các tế bào phức tạp có vùng tiếp cận lớn hơn và đầu ra của nó không nhạy cảm với những vị trí cố định trong vùng. Trong thị giác, vùng tiếp nhận của neural tương ứng với một vùng trên võng mạc nơi sẽ kích hoạt neural tương ứng. Năm 1980, Fukushima đề xuất mô hình mạng neural có cấp bậc gọi là neocoginitron, Mô hình này dựa trên khái niệm về S cell và C cell. Mạng neocoginitron có thể nhận dạng mẫu dựa việc học hình dáng đối tượng. Sau đó năm 1988, Mạng neural tích chập được giới thiệu bởi Bengio, LeCun, Bottou và Haffner. Mô hình đầu tiên được gọi tên là LeNet-5. Mô hình này có thể nhận dạng chữ viết tay. II.3 Phép tích chập (Convulution Operation) Ta có thể hiểu phép tích chập giống như một hoạt động trộn thông tin lại với nhau. Phép toán này được sử dụng tương đối rộng rãi trong nhiều ngành khoa học và kỹ thuật khác nhau. Trong toán học, phép tích chập giữa hai hàm f và g sẽ tạo ra một hàm thứ ba biểu thị sự biến đổi của một hàm đối với hàm còn lại. Xét hai hàm f và g, phép tích chập giữa hai hàm này được định nghĩa như sau: h(x)= f ⊗ g = -∞∞fx-ugudu=F-1(2πFfFg feuturemap=input kernel = y=0columnsx=0rowsinput(x-a, y-bkernelx,y =F-1(2πFinputFkernal) Hình 3.Hình ảnh đầu vào 2D mặt trời tích chập với một kernal.Một bản đồ đặc trưng (feuturemap) có kích thước (N-2)x(N-2) là kết quả từ phép tính. Chúng ta xem xét trong không gian một chiều, phép tích chập giữa hai hàm f và g được mô tả bởi phương trình sau: f*gx= tftg(x+t) Hình 2.3.Minh hoạ 2D – Convolution Hình 4.Minh hoạ 2D – Convolution Đối với đầu vào 2 chiều như hình ảnh, chúng ta có đầu vào cho phép tích chập. Đầu vào thứ nhất là một hình ảnh 2D, đầu vào còn lại được gọi là kernel hoặc mask hoạt động giống như bộ lọc (filter) cho hình ảnh 2D đầu vào và tạo ra một hình ảnh khác cho đầu ra. Chúng ta hãy xem xét cụ thể một 2D – convolution: K*Ii,j= m,nKm,nI(i+n,J+m) . II.3. Kiến trúc mạng Couvolutional Neural Netwok: Nguyên tắc chung trong hầu hết các mạng CNN hiện này đều được thiết kế như sau: Sử dụng nhiều Convolution Layer chồng lên nhau. Giảm dần kích thước ouput mỗi tầng. Tăng dần số lượng Feature map. Mô hình mạng CNN dùng để huấn luyện và kiểm tra, mỗi hình ảnh đầu vào sẽ được qua một loạt các lớp tích chập với các bộ lọc (Kernals), tổng hợp lại các lớp được kết nối đầy đủ (Full Connected) và áp dụng hàm Softmax để phân loại đối tượng có xác suất 0 và 1. Hình 2.4 Hình 5.. Mô hình CNN xử lý đầu vào và phân loại đối tượng II.3.1. Lớp tích chập – Convolution Layer Lớp tích chập (Convolution Layer) là lớp quan trọng nhất và cũng là lớp đầu tiên của mô hình CNN. Lớp này có chức năng chính là phát hiện các đặc trưng có tính không gian hiệu quả. Trong tầng này có bốn đối tượng chính là: ma trận đầu vào, bộ lọc (filters), trường tiếp nhận (receptive field) và Feature map. Lớp tích chập đầu vào này sẽ là một ma trận ba chiều và một bộ lọc cần phải học. Bộ lọc này sẽ trượt qua từng bức ảnh để tích chập (Convolution) giữa bộ lọc và phần tương ứng trên bức ảnh. Phần tương ứng này gọi là trường tiếp nhận (receptive field), tức là vùng mà neural có thể nhìn thầy để đưa ra quyết định, và ma trận cho ra bởi quá trình này gọi là Feature map. Ví dụ, dữ liệu đầu vào là ma trận có kích thước 8x8x1, một bộ lọc có kích thước 2x2x1, feature map có kích thước 7x7x1. Mỗi giá trị feature map được tính bằng tổng các phần tử tương ứng của bộ lọc 2x2x1 với trường tiếp nhận trên ảnh. Và để tính tất cả các giá trị cho feature map, ta trượt bộ lọc từ trái qua phải, trên xuống dưới. Do đó, phép convolution bảo toàn thứ tự không gian các điểm ảnh. Hình 2.5. .. Hình 6.Mô tả hoạt động lớp Convolution Layer Chức năng chính của lớp Convolution Layer là phát hiện đặc trưng của ảnh (feature detector). Những đặc trưng này bao gồm các đặc trưng cơ bản như: góc, cạnh, màu sắc, hoặc đặc trưng phức tạp hơn như texture ảnh. Vì bộ lọc quét qua toàn bộ bức ảnh nên đặc trưng có thể nằm ở bất kỳ đâu trong bức ảnh, cho dù xoay trái hay phải thì vẫn nhận ra đặc trưng đó. Hình 7.Ma trận filter của ảnh Hình 8.Vị trí của ma trận tại các điểm ảnh xác định cạnh Trong ví dụ trên, khi dùng bộ lọc trượt qua ảnh của nhân vật Olaf trong bộ phim Frozen. Ta thấy, chỉ những vị trí trên bức ảnh có dạng góc như đặc trưng ở filter thì mới có giá trị lớn trên feature map, những vị trí còn lại có giá trị thấp hơn. Ngoài ra, các tham số như: kích thước bộ lọc, bước nhảy và padding cũng khá quan trọng. Kích thước bộ lọc nhỏ thường được ưu tiên hơn trong các mô hình huấn luyện, mặt khác, kích cỡ bộ lọc thường là số lẻ. Bước nhảy thể hiện số pixel dịch chuyển khi di chuyển bộ lọc. Tham số padding khắc phục tình trạng ma trận bị nhỏ đi khi qua các layer do đó đảm bảo kích thước ban đầu của đầu vào để thực hiện huấn luyện. II.3.2. Lớp phi tuyến (Nonlinear Layer) Lớp này chứa các hàm phi tuyến để biến đổi ảnh. ReLU (Rectified Linear Unit) là hàm kích hoạt trong mạng CNN. Hàm này được ưu chuộng bởi vì tính toán đơn giản, giúp hạn chế tình trạng vanishing gradient và cũng cho kết quả tốt hơn. ReLU cũng như các hàm kích hoạt khác được đặt ngay sau tầng convolution, ReLU sẽ gán những giá trị âm bằng 0, giữ nguyên các giá trị đầu vào khi lớn hơn 0. ReLU cũng có một vấn đề tiềm ẩn đó là không tồn tại đạo hàm tại 0, giá trị của hàm ReLU có thể lớn đến vô cùng và nếu không khởi tạo trọng số cẩn thận, hoặc khởi tạo tốc độ học (learning rate) quá lớn thì những neural ở tầng này có thể rơi vào trạng thái chết. II.3.3. Lớp gộp – Pooling Layer Sau hàm kích hoạt, thông thường chúng ta sẽ sử dụng tầng pooling. Một số loại pooling phổ biến như max-pooling, average pooling, với chức năng chính là giảm chiều tầng trước đó. Với một pooling kích thước 2x2, ta cần trượt bộ lọc 2x2 này trên vùng ảnh kích thước rồi tính max, average của vùng đó. Hình 9.Mô tả hoạt động khi gộp đầu vào. Ý tưởng đằng sau tầng pooling là vị trí tuyệt đối của những đặc trưng trong không gian ảnh không còn cần thiết, thay vào đó vị trí tương đối giữ các đặc trưng đã đủ phân loại đối tượng. II.3.4. Lớp kết nối đầy đủ - Fully Connected Layer Tầng cuối cùng trong mô hình là tầng fully connected layer. Tầng này có chức năng chuyển ma trận đặc trưng tầng trước thành vector chứa xác suất đối tượng cần được dự đoán. Ngoài ra, cuối quá trình huấn luyện cần hàm tính độ lỗi sai số dự đoán và nhãn chính xác, cũng như sử dụng thuật toán backpropagation cho quá trình cập nhập trọng số. Chương III: ỨNG DỤNG COUVOLUTIONAL NEURAL NETWORK CHO BÀI TOÁN NHẬN DẠNG HOA QUẢ. III.1. Cơ sở dữ liệu huấn luyện: Độ phân giải của các bức ảnh là 32x32 pixel, hệ màu RGB. Dữ liệu huấn luyện gồm 360 ảnh hoa quả trong đó gồm có: 90 ảnh quả táo 89 ảnh quả chuối 91 ảnh quả cam 90 ảnh quả nho. Các dữ liệu đã được gán nhãn và thực hiện xử lý độ sáng và chuẩn hoá sang dạng xml. Dữ liệu test gồm 60 ảnh trong đó gồm có: 20 ảnh quả táo 15 ảnh quả chuối 10 ảnh quả cam 10 ảnh quả nho 5 ảnh có cả táo và chuối 5 ảnh có cả cam và táo 5 ảnh cả 4 loại quả Dữ liệu test cũng đã được gán nhãn, thực hiện xử lý độ sáng và chuẩn hoá sang dạng xml. Hình 10.Dữ liệu tiến hành huấn luyện Hình 11. Dữ liệu tiến hành thử nghiệm (testing) III.2. Xây dựng mô hình huấn luyện CNN III.2.1. Tạo project trên colab google: Đầu tiên, chúng ta phải cài đặt môi trường trên google driver để thiết lập vị vị trí trên project và đường dẫn cho nó. Hình 12. Setting môi trường và đường dẫn cho tập tin dataset Sau khi đã upload dataset theo đường dẫn dir_path = "gdrive/My Drive/Dataset/Fruit Images/". Giờ đây, chúng ta đã sẵn sàng để xây dựng và tranning mô hình phục vụ nhu cầu bài toán. III.2.2. Khai báo thư viện, kiểm tra lại dataset. Hình 13. kiểm tra đường dẫn trong dataset và khai báo thư viện Hình 14. Mã hoá tập dataset để đưa và mạng CNN Tiếp theo chúng ta sẽ mã hoá các tệp tin theo nhãn đã được tiền xử lý trong dataset. Cụ thể, chúng ta sẽ có 4 nhãn là apple, banana, mixed, orange; chúng được lưu trong 1 mảng array một chiều từ thư viện numpy. Tiếp theo từ tập dataset ta sẽ khởi tạo được một mảng các dữ liệu và gán nhãn tương ứng mã hoá theo các giá trị xuất hiện tương ứng trong mảng. Sau khi được mã hoá, ta có thể gọi bất kỳ một ảnh nào trong tập dataset bằng thư viện matplotlib, thư viện này hỗ trợ hiển thị ảnh trên hàm số xác định. Tuy nhiên, hệ màu RGB không được hỗ trợ trên thư viện này. Hình 15. Ảnh hiển thị bằng matplotlib III.2.3. Xây dựng, huấn luyện mô hình: Hình 16.Mạng CNN Mạng CNN chúng ta xây dựng gồm 11 layer chồng lên nhau. Ba lớp Convolution sẽ lọc lần lượt theo trọng số 32,64,128. Cứ mỗi lần qua mỗi một lớp sẽ gộp theo phương pháp maxpooling. Sau khi xây dựng mạng, ta tiến hành khai báo dường dẫn data train, test. Thiết lập đường lưu trạng thái sau khi train để thực hiện việc test. Hình 17. Thiết lập các liên kết trước khi huấn luyên mạng Thiết lập xong tất cả ta tiến hàng train mạng và chờ đợi kết quả Hình 18.Training CNN III.3. Kết quả huấn luyện Phải khẳng định là mô hình CNN là một mô hình có độ chính xác khá cao. Độ chính xác trong bộ train là 79,166% Kiểm tra lại bộ test nhận định đúng 87.5%. Hình 19.Test Kiểm tra lại một trường hợp cụ thể trong mẫu dataset. Bộ test nhận định trong ảnh là apple. Đúng với nhãn đã ghi trong bộ test. III.4. Bàn luận Với kết quả đạt được, bài toán còn được phát triển hơn nữa để tăng độ chính xác hơn nữa. Độ chính xác trên 80% nhưng vẫn cần cải thiện thêm bằng cách bổ sung thêm nguồn dataset. Thời gian nhận dạng tương đối nhanh đối với tập dữ liệu tương đối nhỏ này. Do vậy, mong muốn cải thiện và phát triển trong môi trường dataset lớn hơn KẾT LUẬN VÀO HƯỚNG NGHIÊN CỨU TIẾP THEO 1.Kết quả đã thực hiện được Phát biểu khái quát bài toán nhận dạng, phương pháp tiếp cận. Khái quát được mạng CNN, mô hình gồm các lớp nào và chi tiết trong mô hình. Mô tả được phép tích chập và quá trình gộp, lọc trong mạng. Xây dựng thành công mô hình CNN trên colab triển khai trên GPU thành công trên tập dataset giới hạn. 2. Hướng nghiên cứu tiếp theo: Với rất nhiều ứng dụng thực tế của mạng neural nhân tạo, đề tài có thể ứng dụng cho nhiều mô hình nghiên cứu sâu sắc hơn. Tuy nhiên, trong đề tài chưa thể hiện được mô hình CNN mới nhất hiện nay nên hướng nghiên cứu mới sẽ tập trung vào việc cải thiện mô hình, phát triển nó trong hệ thống data lớn hơn đáp ứng nhu cầu trong tương lai. TÀI LIỆU THAM KHẢO Hough-CNN: Deep learning for segmentation of deep brain regions in MRI and ultrasound - ScienceDirect Machine Learning for Computer Vision (ed.ac.uk) Modulation Format Recognition and OSNR Estimation Using CNN-Based Deep Learning | IEEE Journals & Magazine | IEEE Xplore