Đánh giá các tham số của mô hình mạng nơ-ron tích chập và ứng dụng vào thiết kế phần mềm nhận dạng chữ số viết tay trên nền tảng di động android

Chỉ số đề mục

Lĩnh vực nghiên cứu

Khoa học máy tính

Dạng tài liệu

Tác giả

Nguyễn Ngọc Tuấn Anh, Vương Quang Phước⁽¹⁾, Phan Hải Phong

Nhan đề

Đánh giá các tham số của mô hình mạng nơ-ron tích chập và ứng dụng vào thiết kế phần mềm nhận dạng chữ số viết tay trên nền tảng di động android

Nhan đề tiếng anh

Nguồn trích

Tạp chí Khoa học và công nghệ - Trường Đại học Khoa học, Đại học Huế

Năm xuất bản

2021

Số

1

Trang

59-69

ISSN

2354-0850

Từ khóa

Mạn nơ ron tích chập, Trí tuệ nhân tạo, Phần mềm, Chữ số viết tay, Nền tảng di động, Android, Nhận dạng

Từ khóa tiếng anh

Tóm tắt

Trong thập kỉ vừa qua, trí nhân tạo nói chung hay kĩ thuật học sâu nói riêng đã có những bước phát triển đáng chú ý. Bài báo trình bày một mô hình mạng trí tuệ nhân tạo, nhận diện chữ số viết tay bằng mạng neuron tích chập (Convolutional neural network - CNN) [1]. Qua đó làm rõ các khái niệm tham số, đánh giá tầm quan trọng các tham số trong mô hình, trình bày kết quả mô phỏng đạt được khi sử dụng mạng neuron nhân tạo để nhận diện các ảnh chữ số viết tay dựa trên tập dữ liệu MNIST (Modified National Institute of Standards and Technology) [2] và đưa mô hình mạng CNN ứng dụng vào bài toán nhận dạng chữ số viết tay trên nền tảng Android. Hiệu năng của mô hình được đánh giá qua tỉ lệ nhận dạng đúng và được khảo sát với nhiều trường hợp khác nhau.

Tóm tắt tiếng anh

Kí hiệu kho

TTKHCNQG, CVv 470

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] Henry Chinner (2015), Simple Neural Network Implementation in Ruby,
[2] Waseem Rawat and Zenghui Wang (2017), Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review,
[3] Adrian Rosebrock (2018), Keras Conv2D and Convolutional Layers,
[4] Michael A. Nielsen (2015), Neural Network and Deep Learning,
[5] Eugenio Culurciello (2017), The History of Neural Networks,
[6] Himadri Sankar Chatterjee (2019), A Basic Introduction to Convolutional Neural Network,
[7] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. (1998), Gradient-based learning applied to document recognition,Proceedings of the IEEE, 86(11):2278-2324, November 1998