Dòng Nội dung
1
Nhận dạng trái cây bằng mạng nơ ron tích chập : Đề án Thạc sĩ Công nghệ thông tin; Mã ngành: 8480201 / Trương Lê Phước Lộc; Võ Thị Hồng Thắm hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2025
x, 47 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.3
Đề án đã thực hiện một nghiên cứu so sánh chuyên sâu, tập trung vào việc đánh giá và đối chiếu hiệu suất của bốn kiến trúc CNN tiêu biểu nói trên, sử dụng tập dữ liệu Fruit 360 làm nền tảng thực nghiệm. Quá trình này bao gồm các bước chuẩn bị dữ liệu kỹ lưỡng (tách nền, cân bằng, tăng cường dữ liệu), huấn luyện các mô hình một cách công bằng trên cùng một nền tảng (Google Colab với GPU A100) và phân tích kết quả đa chiều, từ độ chính xác, độ mất mát, ma trận nhầm lẫn đến thời gian xử lý. Từ những thực nghiệm đó, đề án mang đến những đóng góp khoa học và thực tiễn quan trọng: Cung cấp một phân tích so sánh định lượng chi tiết về hiệu suất của bốn kiến trúc CNN (VGG-16, ResNet-50, MobileNet, ShuffleNet v2) trên tập dữ liệu Fruit 360, làm cơ sở tham khảo cho việc lựa chọn mô hình trong các ứng dụng nhận dạng trái cây. Xác định mô hình CNN có hiệu suất tối ưu nhất (trong số các mô hình được khảo sát) cho bài toán nhận dạng trái cây trên tập dữ liệu Fruit 360, dựa trên các chỉ số đánh giá đa dạng. Nghiên cứu chỉ ra rằng ResNet-50 đạt hiệu suất vượt trội về độ chính xác (99.20%), độ mất mát thấp (0.0374) và thời gian đánh giá nhanh (15.43 giây) so với các mô hình còn lại.Làm rõ vai trò và hiệu quả của các kỹ thuật huấn luyện nâng cao, như học chuyển giao (Transfer Learning) và điều chỉnh tốc độ học (Learning Rate Scheduling) theo từng giai đoạn, trong việc tối ưu hóa hiệu suất của mô hình ResNet-50. Đề xuất các khuyến nghị thực tế cho việc triển khai hệ thống nhận dạng trái cây và gợi mở các hướng nghiên cứu tiềm năng trong tương lai, chẳng hạn như mở rộng nghiên cứu trên các tập dữ liệu phức tạp hơn, đánh giá thêm các mô hình tiên tiến khác, hay phát triển ứng dụng nhận dạng thời gian thực trên thiết bị di động.
 Số bản sách: (1) Tài liệu số: (1)
2
Nhận diện cử chỉ bàn tay và xây dựng mô hình dự đoán ngôn ngữ kí hiệu tay : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Nguyễn Đình Phú; Trần Châu Thánh Thiện hướng dẫn
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
39 tr. : hình ảnh; bảng ; 29 cm.
Ký hiệu phân loại (DDC): 006.35
Tìm hiểu và phát triển phương pháp nhận diện cử chỉ bàn tay, cũng như xây dựng một mô hình dự đoán ngôn ngữ kí hiệu tay. Nghiên cứu sẽ tập trung vào việc phân tích và hiểu rõ hơn về các đặc điểm của cử chỉ bàn tay, từ đó phát triển thuật toán nhận diện chính xác và linh hoạt. Ngoài ra, mục tiêu của đề tài là xây dựng một mô hình dự đoán kí hiệu tay dựa trên dữu liệu thực tế và đa dạng. Mô hình này sẽ được huấn luyện để nhận diện và hiểu ngữ cảnh của các cử chỉ bàn tay, từ đó chuyển đổi chúng thành ngôn ngữ tự nhiên hoặc hỗ trợ giao tiếp cho những người có khả năng hạn chế trong việc sử dụng ngôn ngữ nói. Nghiên cứu cũng nhằm đề xuất và kiểm thử các phương pháp mới cũng như cải thiện hiệu suất của mô hình trong việc nhận diện và dự đoán ngôn ngữ kí hiệu tay trong các tình huống thực tế khác nhau. Muc tiêu là tạo ra một công cụ hữu ích và hiệu quả có thể được tích hợp vào các ứng dụng hỗ trợ giao tiếp và tương tác người - máy.
 Số bản sách: (1) Tài liệu số: (0)
3
Phân loại ngôn ngữ ký hiệu tay bằng mô hình CNN : Khoá luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Đỗ Nguyễn Tùng Dương; Bùi Tiến Đức hướng dẫn
Tp. Hồ Chí Minh : Trường Đại học Nguyễn Tất Thành, 2024
ix, 38 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.35
Nhận diện được cử chỉ của tay và phân loại các cử chỉ đó thành các lớp ký tự. Tự tạo dữ liệu huấn luyện bằng cách tách các hình ảnh ra từ video tự quay. Tạo mô hình Convolutional Neural Network dùng để phân loại theo từng nhóm hình ảnh, huấn luyện mô hình. Dùng mô hình sau khi được huấn luyện để thiết kế ra chương trình nhận diện ngôn ngữ tay dùng giao diện tkinter Xây dựng một ứng dụng có khả dùng camera trên thiết bị được cài đặt để thu thập hình ảnh đầu vào và hiển thị các kết quả
Số bản sách: (1) Tài liệu số: (1)
4
Thiết kế và xây dựng websites nhận diện trái cây dựa trên mô hình CNN : Khoá luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Lê Trung An; Bùi Tiến Đức hướng dẫn
Tp. Hồ Chí Minh : Trường Đại học Nguyễn Tất Thành, 2024
xi, 50 tr. : bảng, hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.42
Trình bày về khái quát về xử lí ảnh, phương pháp trích xuất đặc trưng. Mạng neuron tích chập và sử dụng trong bài toán phân loại đối tượng. Nghiên cứu bài toán phân loại dữ liệu nói chung và bài toán phân loại dữ liệu trái cây nói riêng. Nghiên cứu mô hình mạng neuron, các thuật toán lan truyền ngược, lan truyền tiến để sử dụng và huấn luyện mạng neuron Tiến hành xây dựng kiến trúc mô hình mạng neuron, thực hiện thực nghiệm mô hình và đánh giá kết quả thực nghiệm của mô hình để tìm hướng giải quyết bài toán nhận diện trái cây.
Số bản sách: (1) Tài liệu số: (1)
5
Ứng dụng trí tuệ nhân tạo và xử lý ảnh trong hỗ trợ phát hiện ung thư vú : Báo cáo Tổng kết Đề tài Khoa học và Công nghệ cấp cơ sở năm 2023 - 2024 / Phạm Đức Lâm,
Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2025
34 tr. : hình ảnh; biểu đồ ; 29 cm.
Ký hiệu phân loại (DDC): 616.994
Trong phần nghiên cứu, đề tài đề xuất và triển khai mô hình CNN cho nhiệm vụ phát hiện khối u vú trên nhũ ảnh, sử dụng bộ dữ liệu DDSM. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác > 97%. Điều này chứng minh rằng mạng CNN là một công cụ tiềm năng, có khả năng hỗ trợ hiệu quả cho việc phát hiện và khoanh vùng tổn thương trong chẩn đoán hình ảnh.Qua đề tài này, mô hình mạng Neural tích chập ứng dụng kiến trúc được đề xuất và áp dụng cho nhiệm vụ phát hiện khối u trong nhũ ảnh sử dụng bộ dữ liệu DDSM. Đề tài đạt độ chính xác trên 97%, vượt trội hơn so với cácphương pháp đã được thử nghiệm trước đó. Đáng chú ý, quá trình huấn luyện trên 150000 vòng lặp đã giảm thiểu số lượng phát hiện dương tính giả. Bên cạnh đó, đề tài chỉ sử dụng bộ dữ liệu DDSM, vẫn chưa khai thác đầy đủ các cơ sở dữ liệu hiện có, do đó nhóm nghiên cứu đề xuất việc bổ sung thêm hình ảnh có thể tiếp tục nâng cao hiệu quả của mô hình. Ngoài khả năng phát hiện, năng lực phân đoạn mạnh mẽ của mô hình được lựa chọn còn có thể được tận dụng để hỗ trợ phân loại tổn thương trong các giai đoạn phân tích tiếp theo. Đề xuất triển khai rộng rãi mô hình AI trong giảng dạy tại nhà trường cũng như ở Khoa Kỹ thuật – Công nghệ trong hỗ trợ bác sĩ và tăng cường độ chính xác chẩn đoán
 Số bản sách: (1) Tài liệu số: (0)