Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET

Cùng với sự phát triển của các kỹ thuật học máy là sự đa dạng của các thư viện học máy mã nguồn mở, giúp việc phát triển ứng dụng trở nên linh hoạt và nhanh chóng hơn. Bên cạnh sức mạnh tính toán từ các thiết bị hiệu năng cao thì giờ đây, mọi thiết bị điện tử đều có thể thực thi các ứng dụng áp dụng...

Mô tả đầy đủ

Đã lưu trong:

Chi tiết về thư mục
Những tác giả chính:	La, Quốc Thắng, Trần, Ngô Như Khánh, Trần, Thống
Định dạng:	Conference paper
Ngôn ngữ:	Vietnamese
Được phát hành:	Nhà xuất bản Khoa học và Kỹ thuật 2022
Những chủ đề:	CNN DNN Inception ML.NET MobileNet Phân loại hình ảnh Resnet
Truy cập trực tuyến:	http://scholar.dlu.edu.vn/handle/123456789/759
Các nhãn:	Thêm thẻ Không có thẻ, Là người đầu tiên thẻ bản ghi này!

Thư viện lưu trữ:	Thư viện Trường Đại học Đà Lạt

id	oai:scholar.dlu.edu.vn:123456789-759
record_format	dspace
institution	Thư viện Trường Đại học Đà Lạt
collection	Thư viện số
language	Vietnamese
topic	CNN DNN Inception ML.NET MobileNet Phân loại hình ảnh Resnet
spellingShingle	CNN DNN Inception ML.NET MobileNet Phân loại hình ảnh Resnet La, Quốc Thắng Trần, Ngô Như Khánh Trần, Thống Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
description	Cùng với sự phát triển của các kỹ thuật học máy là sự đa dạng của các thư viện học máy mã nguồn mở, giúp việc phát triển ứng dụng trở nên linh hoạt và nhanh chóng hơn. Bên cạnh sức mạnh tính toán từ các thiết bị hiệu năng cao thì giờ đây, mọi thiết bị điện tử đều có thể thực thi các ứng dụng áp dụng trí thông minh nhân tạo, tự động hóa các quy trình xử lý phức tạp. Trong nghiên cứu này, chúng tôi sử dụng ML.NET – một thư viện học máy được Microsoft phát triển, áp dụng vào bài toán phân loại hình ảnh loài hoa. Cụ thể, ML.NET hỗ trợ các mô hình tiền huấn luyện là các kiến trúc Deep Neural Network (DNN), bao gồm: ResnetV250, ResnetV2101, MobileNetV2 và InceptionV3. Các thí nghiệm đo lường hiệu suất phân loại hình ảnh và thời gian huấn luyện được thực hiện ba lần dựa trên tập hình ảnh của 5 loài hoa với hơn 4200 hình ảnh. Kết quả cho thấy MobileNetV2 vượt trội hơn các kiến trúc khác và được sử dụng để phát triển ứng dụng nhận dạng các loài hoa của thành phố Đà Lạt.
format	Conference paper
author	La, Quốc Thắng Trần, Ngô Như Khánh Trần, Thống
author_facet	La, Quốc Thắng Trần, Ngô Như Khánh Trần, Thống
author_sort	La, Quốc Thắng
title	Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
title_short	Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
title_full	Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
title_fullStr	Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
title_full_unstemmed	Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET
title_sort	xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ml.net
publisher	Nhà xuất bản Khoa học và Kỹ thuật
publishDate	2022
url	http://scholar.dlu.edu.vn/handle/123456789/759
_version_	1768305839107473408
spelling	oai:scholar.dlu.edu.vn:123456789-7592022-11-28T08:15:36Z Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET La, Quốc Thắng Trần, Ngô Như Khánh Trần, Thống CNN DNN Inception ML.NET MobileNet Phân loại hình ảnh Resnet Cùng với sự phát triển của các kỹ thuật học máy là sự đa dạng của các thư viện học máy mã nguồn mở, giúp việc phát triển ứng dụng trở nên linh hoạt và nhanh chóng hơn. Bên cạnh sức mạnh tính toán từ các thiết bị hiệu năng cao thì giờ đây, mọi thiết bị điện tử đều có thể thực thi các ứng dụng áp dụng trí thông minh nhân tạo, tự động hóa các quy trình xử lý phức tạp. Trong nghiên cứu này, chúng tôi sử dụng ML.NET – một thư viện học máy được Microsoft phát triển, áp dụng vào bài toán phân loại hình ảnh loài hoa. Cụ thể, ML.NET hỗ trợ các mô hình tiền huấn luyện là các kiến trúc Deep Neural Network (DNN), bao gồm: ResnetV250, ResnetV2101, MobileNetV2 và InceptionV3. Các thí nghiệm đo lường hiệu suất phân loại hình ảnh và thời gian huấn luyện được thực hiện ba lần dựa trên tập hình ảnh của 5 loài hoa với hơn 4200 hình ảnh. Kết quả cho thấy MobileNetV2 vượt trội hơn các kiến trúc khác và được sử dụng để phát triển ứng dụng nhận dạng các loài hoa của thành phố Đà Lạt. 20 135 2022-08-04T01:30:46Z 2022-08-04T01:30:46Z 2021 Conference paper Bài báo đăng trên KYHT trong nước (có ISBN) 978-604-67-2096-6 http://scholar.dlu.edu.vn/handle/123456789/759 vi Hội thảo Khoa học Công nghệ Thông tin và Truyền thông năm 2021 (ICT2021) 978-604-67-2096-6 Aggarwal, C. C. (2018). An Introduction to Neural Networks. In C. C. Aggarwal, Neural Networks and Deep Learning. Cham: Springer. doi:10.1007/978-3-319-94463-0_1 Ahmed, Z., Amizadeh, S., Bilenko, M., Carr, R., Chin, W.-S., Dekel, Y., . . . Katzenber, S. (2019). Machine Learning at Microsoft with ML.NET. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. doi:10.1145/3292500.3330667 Er, B. (2016, August 10). Microsoft Presents : Deep Residual Networks. Retrieved from Medium: https://medium.com/@bakiiii/microsoft-presents-deep-residual-networks-d0ebd3fe5887 Fisher, R. A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annual Eugenics, 179-188. Gavai, N. R., Jakhade, Y. A., Tribhuvan, S. A., & Bhattad, R. (2017). MobileNets for flower classification using TensorFlow. 2017 International Conference on Big Data, IoT and Data Science (BID), (pp. 154-158). doi:10.1109/BID.2017.8336590 Google Cloud. (2021). Advanced Guide to Inception v3 on Cloud TPU. Retrieved from Google Cloud: https://cloud.google.com/tpu/docs/inception-v3-advanced Gupta, S. (2018, 1 16). Deep learning performance breakthrough. Retrieved from IBM: https://www.ibm.com/blogs/systems/deep-learning-performance-breakthrough/ He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (pp. 770-778). Hong, D., Gao, L., Yao, J., Zhang, B., Plaza, A., & Chanussot, J. (2021). Graph Convolutional Networks for Hyperspectral Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 5966-5978. doi:10.1109/TGRS.2020.3015157 Iris Data Set. (1988, July 1). Retrieved from UCI Machine Learning Repository: https://archive.ics.uci.edu/ml/datasets/iris jwt.io. (2020). Homepage. Retrieved from JSON Web Tokens - jwt.io: https://jwt.io/ Kim, J.-H., Huang, R.-G., Jin, S.-H., & Hong, K.-S. (2009). Mobile-Based Flower Recognition System. 2009 Third International Symposium on Intelligent Information Technology Application, 3, pp. 580-583. Shanghai, China. doi:10.1109/IITA.2009.407 Marsland, S. (October 8th, 2014). Machine Learning: An Algorithmic Perspective (2nd ed.). Boca Raton, Florida, USA: CRC Press. Retrieved from https://books.google.com.vn/books?id=6GvSBQAAQBAJ Microsoft. (2021, April 13). Tutorial: Automated visual inspection using transfer learning with the ML.NET Image Classification API. Retrieved from Microsoft Docs: https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/image-classification-api-transfer-learning Nilsback, M.-E., & Zisserman, A. (2006). A Visual Vocabulary for Flower Classification. 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06), (pp. 1447-1454). doi:10.1109/CVPR.2006.42 Nilsback, M.-E., & Zisserman, A. (2008). Automated Flower Classification over a Large Number of Classes. 2008 Sixth Indian Conference on Computer Vision, Graphics Image Processing, (pp. 722-729). doi:10.1109/ICVGIP.2008.47 Nilsback, M.-E., & Zisserman, A. (2010). Delving deeper into the whorl of flower segmentation. Image and Vision Computing, 1049-1062. doi:10.1016/j.imavis.2009.10.001 Sandler, M., Howard, A. G., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. Computing Research Repository. doi:abs/1801.04381 Sarkar, D., Bali, R., & Sharma, T. (2017). Practical Machine Learning with Python: A Problem-Solver's Guide to Building Real-World Intelligent Systems. Berline, Germany: APress. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception Architecture for Computer Vision. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2818-2826. doi:10.1109/CVPR.2016.308 Tiay, T., Benyaphaichit, P., & Riyamongkol, P. (2014). Flower recognition system based on image processing. 2014 Third ICT International Student Project Conference (ICT-ISPC), (pp. 99-102). Nakhon Pathom. doi:10.1109/ICT-ISPC.2014.6923227 Wasicek, A. (2018, 10 11). Artificial Intelligence vs. Machine Learning vs. Deep Learning: What's the Difference? Retrieved from Sumo Logic: https://www.sumologic.com/blog/machine-learning-deep-learning/ Xia, X., Xu, C., & Nan, B. (2017). Inception-v3 for flower classification. 2017 2nd International Conference on Image, Vision and Computing (ICIVC), (pp. 783-787). doi:10.1109/ICIVC.2017.7984661 Zhou, J., & Nagy, G. (2004). Evaluation of model-based interactive flower recognition. Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004., (pp. 311-314 Vol.2). Cambridge, UK. doi:10.1109/ICPR.2004.1334185 Nhà xuất bản Khoa học và Kỹ thuật

Xây dựng ứng dụng phân loại loài hoa sử dụng thư viện ML.NET

Những quyển sách tương tự