Professional Documents
Culture Documents
In this thesis, students are supposed to implement a custom wake-up words for activating an
embedded system, acting like Google Assistant or Alexa systems. The voice input is based on
a mic-array, which can support up to 5 meters. The target of this thesis is to train a custom
wake-up words from a voice record dataset (e.g. 100 voice records) and perform at least 5
different assistants by voice commands from users.
In the first stage of the thesis, students are required to report a survey of some available voice
assistant and implement one of them in an Embedded System using Android based operating
system. However, instead of using a microphone, a mic-array will be used in this system.
Moreover, students also need to provide a study concerning approaches for customizing the
wake-up words.
In the second stage of the thesis, students focus on implementing the whole system and
applied it into a specific application. Finally, the performance of the system in term of
efficient distance for voice control, processing time and recognition accuracy should be
measured.
- Students can used available platforms
Nội dung: Xây dựng Open data portal trong đó cho phép xuất bản và quản lý các services;
Phát triển bộ công cụ CLI và các API cho client , các core services hỗ trợ trong việc xây
dựng mô hình SaaS.
Từ khóa: Big data, Open Data, Comprehensive Knowledge Archive Network (CKAN), Smart
Cities/Industry 4.0, Service as a Service, Microservice Architecture Model.
Yêu cầu: Sinh viên có học lực khá giỏi và kỹ năng lập trình tốt. Ưu tiên sv có khả năng và
đam mê NCKH. Làm việc tại AC Lab (301B9).
Công cụ thực hiện: Không giới hạn.
Tài liệu tham khảo: Trao đổi cụ thể với CBHD.
Yêu cầu: Sinh viên có học lực khá giỏi và kỹ năng lập trình tốt. Ưu tiên sv có khả năng và
đam mê NCKH.
Công cụ thực hiện: Không giới hạn.
Tài liệu tham khảo: Trao đổi cụ thể với CBHD.
GVHD: PGS.TS. Đặng Trần Khánh (khanh@hcmut.edu.vn;
www.cse.hcmut.edu.vn/~khanh)
Đề 28 (2-3 sv): Bảo vệ tính riêng tư cho xuất bản dữ liệu mở dựa trên ẩn danh dữ
liệu
(Privacy Protection for Open Data Publishing using Data Anonymization)
Sinh viên: Trần Pi Tơ – 1613614, Trần Trương Tuấn Phát - 1612541
Nội dung: Xây dựng hệ thống bảo vệ tính riêng tư có tính khả mở cho xuất bản dữ liệu
mở bằng các kỹ thuật ẩn danh dữ liệu và các kỹ thuật mở rộng khác. Hệ thống cho phép
người dùng bảo vệ tính riêng tư tập dữ liệu chia sẻ của mình, đánh giá được mức độ mất
tính riêng tư (privacy loss), các rủi ro (risks), cũng như tính hữu dụng (utilities) của dữ liệu
sau khi xử lý ẩn danh.
Từ khóa: Data anonymization, open data, data sharing, data publishing, data privacy
protection, differential privacy, smart cities/industry 4.0.
Yêu cầu: Sinh viên có học lực khá giỏi và kỹ năng lập trình tốt. Ưu tiên sv có khả năng và
đam mê NCKH. Làm việc tại AC Lab (301B9).
Công cụ thực hiện: Không giới hạn.
Tài liệu tham khảo: Trao đổi cụ thể với CBHD.
Description: Deep learning models work quite well for image/video classification problem
and therefore are commonly used for this type of problem. However, these models are
vulnerable to adversarial samples: inputs that look like they belong to one class but classified
as a different (sometimes specifically targeted) class with high confidence.
This is a major security problem because it means an adversary could make small changes to
their face to bypass facial recognition algorithms or possibly even modify street signs with
small changes to confuse self-driving cars. In this thesis, the students will explore a
generalized class of adversaries, and how a (concrete) deep learning model (e.g., DNNs) with
“on-top autoencoders” will increase the complexity required to generate a successful attack
with no significant reduction in the accuracy of the DL model.
Yêu cầu:
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
- Tìm hiểu các định dạng ảnh
- Tìm hiểu các đặc trưng của đối tượng trong ảnh (túi xách, va li, quần áo,...)
- Tìm hiểu các phương pháp truy vấn ảnh hiện có (image retrival methods)
Giai đoạn LVTN
- Hiện thực phương pháp tìm đối tượng theo đặc trưng cho trước trong tập dữ liệu ảnh
lớn.
Công cụ thực hiện: học viên có thể dùng một trong các công cụ sau đây: C#, C++, Java,
Matlap
Tài liệu tham khảo: GV cung cấp
Yêu cầu:
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
- Tìm hiểu các định dạng ảnh
- Tìm hiểu đặc trưng người trong cuộc họp
- Tìm hiểu các phương pháp truy vấn ảnh hiện có (image retrival methods)
Giai đoạn LVTN
- Hiện thực phương pháp đếm/ ước lượng số lượng người trong ảnh
Công cụ thực hiện: học viên có thể dùng một trong các công cụ sau đây: C#, C++, Java,
Matlap
Tài liệu tham khảo: GV cung cấp
Yêu cầu:
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp edge detection trong ảnh võng mạc mắt.
Giai đoạn LVTN
- Demo phương pháp edge detection/segmentation ảnh ảnh võng mạc mắt.
Công cụ thực hiện: học viên có thể dùng một trong các công cụ sau đây: C#, C++, Java,
Matlab
Tài liệu tham khảo: GV cung cấp
Yêu cầu:
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp phân đoạn ảnh y khoa.
Giai đoạn LVTN
- Demo phương pháp phân đoạn ảnh y khoa.
Công cụ thực hiện: học viên có thể dùng một trong các công cụ sau đây: C#, C++, Java,
Matlab
Tài liệu tham khảo: GV cung cấp
GVHD: PGS.TS. Nguyễn Thanh Bình. Email: ntbinh@hcmut.edu.vn
Để 49: RÚT TRÍCH BẤT THƯỜNG CỦA ĐỐI TƯỢNG TRONG ẢNH Y KHOA (1
hoặc 2sv)
Yêu cầu:
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp liên quan
Giai đoạn LVTN:
- Demo phương pháp rút trích tuyến tụy.
Công cụ thực hiện: học viên có thể dùng một trong các công cụ sau đây: C#, C++, Java,
Matlab
Tài liệu tham khảo: GV cung cấp
GVHD: PGS.TS. Nguyễn Thanh Bình. Email: ntbinh@hcmut.edu.vn
Đề 50: DÒ TÌM BẤT THƯỜNG TRONG MẠCH MÁU PHỤC VỤ CHẨN ĐOÁN
BỆNH (1 hoặc 2sv)
Nội dung đề tài:
Ảnh y khoa có vai trò quan trọng trong việc chẩn đoán các dị tật bất th ường trong c ơ th ể
bệnh nhân, đặc biệt có ý nghĩa quan trọng trong việc phát hiện ra các vùng tế bào ung thư
mới được hình thành. Bởi vì, nếu Bác Sĩ không xác định được chính xác đ ường vi ền c ủa
đối tượng thì có nhiều khả năng Bác Sĩ không nhận biết được các tế bào ung thư mới hình
thành do sự chênh lệch độ tương phản giữa các tế bào bất thường và các tế bào bình
thường là rất thấp. Điều này dẫn đến kết quả là mắt thường khó phát hiện ra tế bào ung
thư. Do đó, nội dung chính của đề tài này là nghiên cứu các ph ương pháp dò tìm b ất
thường trong ảnh y khoa.
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp dò tìm bất thường của đối tượng trong ảnh y khoa.
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp dò tìm bất thường của đối tượng trong ảnh võng mạc.
Giai đoạn đề cương luận văn tốt nghiệp/thực tập tốt nghiệp
-Tìm hiểu ảnh y khoa.
- Nghiên cứu các phương pháp dò tìm bất thường của đối tượng trong ảnh võng mạc.
Điều kiện:
- Yêu thích phân tích dữ liệu và trực quan hoá, nghiên cứu thiết kế và phát triển sản
phẩm đổi mới sáng tạo
Tham khảo: Data warehouse, IoT platform, Big data models
THESIS PHASE: PROPOSE A COMPLETE SOLUTION AND BUILD A DEMO FOR THE
TASK.
Đề 77: Hệ thống truy xuất nguồn gốc của dữ liệu chia sẻ dựa trên blockchain (1-3
SV).
GVHD: TS. Trương Tuấn Anh (email: anhtt@hcmut.edu.vn)
SVTH:
Nội dung: Hiện thực một hệ thống kiểm soát và quản lý các dữ liệu được chia sẻ trên
IoTs đựa trên blockchain.
Từ khóa: IoTs, blockchai, data sharing
Giai đoạn TTTN:
- Tìm hiểu các tài liệu được cung cấp
- Phát triển các kỹ thuật kiểm soát nguồn gốc
Giai đoạn LVTN: Thiết kế và hiện thực hệ thống
Đề 78: Thực hiện sửa lỗi chính tả tiếng Việt bằng phương pháp học sâu – 1 SV
GVHD: PGS.TS Quản Thành Thơ – Email: qttho@hcmut.edu.vn
SVTH: Vũ Đào Anh Tuấn - 1613938
Nội dung: tbc.
Từ khóa:
Giai đoạn TTTN:
- tbc.
- tbc
- tbc
Giai đoạn LVTN:
Yêu cầu: tbc
Công cụ thực hiện: tbc
Tài liệu tham khảo: tbc
Đề 79: Phát triển một chatbot thông minh để tư vấn hoạt đ ộng Đoàn cho sinh viên. 2
SV
GVHD: PGS.TS Quản Thành Thơ – Email: qttho@hcmut.edu.vn
SVTH: Phạm Minh Hiếu – 1611046, Cao Chánh Dương - 1610571
Nội dung: tbc.
Từ khóa:
Giai đoạn TTTN:
- tbc.
- tbc
- tbc
Giai đoạn LVTN:
Yêu cầu: tbc
Công cụ thực hiện: tbc
Tài liệu tham khảo: tbc
Đề 80: Áp dụng các kỹ thuật học sâu cho bài toán phân loại văn bản – 1 SV
GVHD: PGS.TS Quản Thành Thơ – Email: qttho@hcmut.edu.vn
SVTH: Vũ Đức Duy Nội dung: tbc.
Từ khóa:
Giai đoạn TTTN:
- tbc.
- tbc
- tbc
Giai đoạn LVTN:
Yêu cầu: tbc
Công cụ thực hiện: tbc
Tài liệu tham khảo: tbc
Đề 81: Phát triển một ứng dụng quản lý nhà cho thuê – (1-2 SV)
GVHD: PGS.TS Quản Thành Thơ – Email: qttho@hcmut.edu.vn
SVTH:
Từ khóa:
Giai đoạn TTTN:
- Nghiên cứu các kỹ thuật NLP để xử lý thông tin mô tả cho thuê nhà
- Nghiên cứu công nghệ phù hợp để phát triển ứng dụng
- Thiết kế và demo ứng dụng.
Giai đoạn LVTN:
- Hoàn thiện và đánh giá ứng dụng
Yêu cầu: tbc
Công cụ thực hiện: tbc
Tài liệu tham khảo: tbc
Đề 82: Sử dụng reinforcemnt learning cho bài toán điều khi ển dung l ượng băng
thông mạng – (1-2 SV)
GVHD: PGS.TS Quản Thành Thơ – Email: qttho@hcmut.edu.vn
SVTH:
Đề tài hướng dẫn chung với Tiến Sĩ Võ Thị Lưu Phương – ĐH Quốc tế
Từ khóa:
Giai đoạn TTTN:
- Nghiên cứu reinforcement learning
- Nghiên cứu bài toán điều khiển lưu lượng băng thông tự động
- Thiết kế và demo giải pháp.
Giai đoạn LVTN:
- Hiện thực và đánh giá ứng dụng
Yêu cầu: tbc
Công cụ thực hiện: tbc
Tài liệu tham khảo: tbc
Đề 111: Hệ thống trợ giúp đăng ký môn học cho sinh viên trường ĐHBK.(2 sv)
TTTN:
Tìm hiểu công cụ quản lý tài nguyên PBS Pro
Phân tích log file và trích xuất các thông tin ảnh hưởng đến việc quản lý tài nguyên
Khảo sát khả năng ứng dụng các kỹ thuật Machine Learning/Reinforcement
Learning vào công cụ quản lý tài nguyên.
LVTN:
Tiến hành thực nghiệm các giải thuật lập lịch/quản lý tài nguyên khác nhau trên hệ
thống thực – SuperNode-XP
Đề xuất giải pháp lập lịch/quản lý tài nguyên bằng việc ứng dụng Machine
Learning/Reinforement Learning.
Nghiên cứu và phát triển hệ thống lưu trữ meta-data kết hợp với hệ thống lưu
trữ PACS.
Trong xu thế phát triển và ứng dụng CNTT vào lĩnh vực y tế thì việc lưu trữ các hình
ảnh y khoa dạng số trên các hệ thống lưu trữ chuyên dụng gọi là PACS đang ứng dụng
rộng rải tại các bệnh viện ở Việt Nam. Một xu hướng mới là ứng dụng AI để phân tích
ảnh y khoa được áp dụng trong các máy chụp tiên tiến để chuẩn đoán bệnh. Vì vậy nhu
cầu nghiên cứu phát triển một hệ thống vừa lưu trữ ảnh y khoa và vừa lưu trữ các meta-
data như dữ liệu phân tích ảnh y khoa dùng AI là cần thiết. Đề tài này tập giải quyết vấn
đề trên.
TTTN:
Tìm hiểu về kiến trúc hệ thống file phân tán (Distributed File Systems)
Tìm hiểu mã nguồn mở các hệ thống PACS/DICOM: https://medevel.com/10-open-
source-pacs-dicom/
Lựa chọn và triển khai hệ thống PACS/DICOM
Đề xuất co chế tích hợp meta-data vào hệ thống PACS/DICOM
LVTN:
Triển khai mô hình để xuất
Đánh giá hiệu quả & cải tiến.
CDN là một mạng phân tán về mặt địa lý gồm nhiều máy chủ cung cấp nội dung ở
các trung tâm dữ liệu khác nhau. Mục tiêu của CDNs là cung cấp dịch vụ tốt nhất cho
người dùng; nó được ứng dụng rộng rãi ngày nay trong các lĩnh vực như live/on-demand
streaming media, software download, dịch vụ web... Các giải thuật trí tuệ nhân tạo có thể
ứng dụng để dự đoán tải trong tương lai chính xác hơn và có thể giúp để phát triển các
giải thuật caching hiệu quả dùng trong CDNs.
TTTN:
Tìm hiểu về các giải thuật CDNs đang được dùng thực tế tại các nhà cung cấp
dịch vụ số
Tìm hiểu Machine Learning và khả năng ứng dụng tối ưu giải pháp tính toán kịch
bản thử nghiệm
Tìm hiểu và sử dụng công cụ giả lập hệ thống thực tế Mininet (http://mininet.org/)
Lựa chọn các giải thuật và đề xuất giải pháp.
LVTN:
Hiện thực các giải thuật trên Mininet
Thử nghiệm, đánh giá và cải tiến.
Lượng dữ liệu tạo ra từ các thiết bị IoT ngày càng nhiều và sẽ làm nghẽn hệ thống
mạng trong tương lai gần nếu không có giải pháp. Một xu thế mới từ 2018 là phát triển
các giải thuật IoT Caching giúp cho việc chia sẽ dữ liệu IoT; và một hướng đi là ứng dụng
Machine Learning vào các giải thuật dùng cho IoT Caching.
TTTN:
Tìm hiểu về các giải thuật IoT Caching
Tìm hiểu về ICN (Information Centric Networking) và NDN (Named Data
Networking) cho IoT
Tìm hiểu công cụ ndnSIM (https://ndnsim.net/current/)
Tìn hiểu Machine Learning & các giải thuật IoT Cahcing dùng Machine Learning
Đề xuất 1 giải thuật IoT Caching.
LVTN:
Hiện thực giải thuật IoT Caching trên ndnSIM
Thử nghiệm, đánh giá và cải tiến.
Trong xu thế phát triển hiện nay, kỹ thuật phân tích dữ liệu và trực quan hoá có
nhiều ứng dụng trong thực tế & cũng chiếm một tỉ trọng rất lớn trong ứng dụng thực tế.
Đề tài này hướng đến xây dựn một bộ công cụ giúp phân tích dữ liệu sinh viên của một
trường đại học và trực quan hoá kết quả trên màn hình lớn.
Yêu cầu: Sinh viên có kiến thức cơ bản về operating systems, network, khả năng lập
trình.
TTTN:
Tìm hiểu về bộ dữ liệu sinh viên của trường đại học (sử dụng bộ dữ liệu của
ĐHBK với hơn 3 triệu records)
Tìm hiểu công cụ phân tích dữ liệu lớn hiệu quả hiện tại là Spark
Tìm hiểu về các công cụ trực quan hoá như Tableau.
Lựa chọn và thử nghiệm các công cụ được lựa chọn
Đề xuất hướng xây dựng một bộ công cụ phân tích dữ liệu và trực quan hoá & &
giải thuật sử dụng.
LVTN:
Tích hợp công cụ, phát triển giải thuật
Thử nghiệm và cải tiến hiệu năng.
GVHD : PGS.TS. Thoại Nam (namthoai@hcmut.edu.vn) & ThS. Nguyễn Mạnh Thìn
Đề 118: (Dành cho 1-2SV)
Nghiên cứu và phát triển cổng liên kết nhiều hệ thống tính toán mạnh dựa trên nền
Open OnDemand.
Các hệ thống máy tính mạnh xuất hiệng ngày càng nhiều do nhu cầu tính toán lớn,
xử lý dữ liệu lớn và ứng dụng trí tuệ nhân tạo. Việc sử dụng các hệ thống máy tính mạnh
và đắc tiền này hiệu quả thì cần một giải pháp liên kết và cho phép người dùng truy cặp
vào các hệ thống này thật dễ dàng. Open OnDemand là một cổng truy xuất mã nguồn mở
được tài trở bởi quỹ NFS có các tính năng này.
Đề tài hướng đến ứng dụng Open OnDemand để liên kết các hệ thống máy tính
mạnh tại Trường ĐHBK như SuperNode-XP, SuperNode-AI để hỗ trợ cho người quản trị,
người sử dụng.
Yêu cầu: Sinh viên có kiến thức cơ bản về Linux, network, lập trình web.
TTTN:
Tìm hiểu các yêu cầu của người sử dụng và người quản trị trên hệ thống máy tính
mạnh;
Tìm hiểu các hàm, thư viện trong Open OnDemand (https://openondemand.org);
Đề xuất thiết kế dựa trên Open OnDemand và triển khai bước đầu.
LVTN:
Hiện thực hoàn chỉnh các chức năng cho cổng truy xuất
Thử nghiệm, đánh giá và cải tiến cổng giao tiếp.
GVHD : PGS.TS. Thoại Nam (namthoai@hcmut.edu.vn) & ThS. Nguyễn Mạnh Thìn
Đề 119: (Dành cho 1-2SV)
Nghiên cứu & phát triển công cụ giám sát và quản trị cho hệ thống máy tính lớn.
HPC Lab - ĐHBK đang vận hành hệ thống máy tính mạnh SuperNode-XP 50 TFLops
với 26 nút tính toán mạnh và luôn có nhiều ứng dụng khác nhau thực thi cùng lúc. Việc
giám sát & quản trị hệ thống này đòi hỏi phải có công cụ. Hiện tại hệ thống cũng đang có
các công cụ chuyên dụng của Intel, HPE & nhiều công cụ mã nguồn mở đang được sử
dụng tại nhiều trung tâm khác trên thế giới.
Đề tài này hướng đến phát triển 1 công cụ giám sát và quản trị hiệu quả dựa trên
việc liên kết các công cụ hữu ích đang sử dụng trực tiếp trên hệ thống SuperNode-XP &
một công cụ mã nguồn mở.
Yêu cầu: Sinh viên có kiến thức cơ bản về operating systems, network, parallel
processing.
TTTN:
Tìm hiểu về hệ thống SuperNode-XP
Nghiên cứu & và lựa chọn các công cụ giám sát mã nguồn mở Incinga và công cụ
giám sát của Intel, HPE
Thử nghiệm các công cụ được lựa chọn
Đề xuất hướng xây dựng một bộ công cụ giám sát cho SuperNode-XP.
LVTN:
Xây dựng bộ công cụ giám sát
Triển khai đánh giá trên SuperNode-XP
Cải tiến công cụ.
Ngày càng nhiều ứng dụng trí tuệ nhân tạo dùng Deep Learning trong thực tế. Một
hạn chế trong giải pháp Deep Learning là khối lượng tính toán rất lớn đặc biệt khi giải các
bài toán có lượng dữ liệu luấn luyện lớn. Vì vậy việc chỉ có thể tính toán dùng các GPUs
trên cùng 1 máy tính không thể giải được các bài toán lớn. Vì vậy một hướng nghiên cứu
mới dùng nhiều máy tính có GPUs cùng giải một giải bài toán gọi là Distributed Deep
Learning nhận được sự quan tâm của các đại học, công ty hàng đầu của thế giới từ 2017
và đặc biệt trong năm 2019.
Đề tài này hướng đến tìm hiểu, khảo sát những giải pháp, công cụ hiện có trong
Distributed Deep Learning
TTTN:
Tìm hiểu kiến trúc của Distributed Deep Learning (DDL):
o ETH: https://arxiv.org/pdf/1802.09941.pdf
o Stanford:
https://web.stanford.edu/~rezab/classes/cme323/S16/projects_reports/hedge_u
smani.pdf
o MIT:
https://www.researchgate.net/publication/329387825_Split_learning_for_healt
h_Distributed_deep_learning_without_sharing_raw_patient_data
o TUM: https://arxiv.org/pdf/1903.11314.pdf
o Intel: https://www.intel.ai/introducing-nauta/#gs.h02fnv
o Microsoft: http://www.dmtk.io
o IBM: https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-
data/ml_dlaas_ibm_ddl.html
o Uber: https://eng.uber.com/horovod/
o Bosch & LG: https://www.kdd.org/kdd2018/files/deep-learning-
day/DLDay18_paper_29.pdf
o Awesome DDL: https://github.com/bharathgs/Awesome-Distributed-Deep-
Learning;
Triển khai thử nghiệm một số thư viện DDL tiềm năng với 1 số ứng dụng;
Đề xuất giải pháp đánh giá trên một số công cụ lựa chọn.
LVTN:
Thực nghiệm và đánh giá hiệu suất của các ứng dụng AI khi được training theo mô
hình Distributed System;
Từ kết quả thực nghiệm, phân tích và cho thấy những yếu tố chính ảnh hưởng đến
hiệu suât;
(Optional) Đưa ra một mô hình dự đoán hiệu suất của ứng dụng Distributed Deep
Learning dựa trên các yếu tố ảnh hưởng đã đánh giá.
Hiện nay việc ứng dụng được kỹ thuật số giúp các đơn vị như huyện/xã/ấp/làng ở
nông thôn trong việc nuôi trồng/sản xuất sản phẩm địa phương bền vững & kết nối các
doanh nghiệp để bán sản phẩm có giá trị cao là hết sức cần thiết.
Đề tài này hướng đến phát triển một cổng thông tin điện tử nhằm kết nối giữa bên
mua và bên bán nhằm liên kết cộng đồng nông dân ở 1 địa phương trong việc nắm bắt
thông tin thị trường, các nguồn (doanh nghiệp) thu mua sản phẩm để nông dân không bị ép
giá nông sản.
TTTN:
Tìm hiểu về cổng thông tin điện tử & kỹ thuật, công cụ để xây dựng
Tìm hiểu các dữ liệu quan đến sản phẩm địa phương (ở đây làm củ thể là trái xoài)
và mô hình mua bán sản phẩm này
Đề xuất một mô hình công thông tin điện tử cho sản phẩm địa phương (người
dùng đầu cuối dùng máy tính, smart phones)
LVTN:
Triển khai mô hình;
Thử nghiệm, đánh giá và cải tiến.
GVHD : TS. Dương Ngọc Hiếu (dnhieu@hcmut.edu.vn) & PGS.TS. Thoại Nam
(namthoai@hcmut.edu.vn)
Đề 122: (Dành cho 2SV) Dương Văn Trường - MSSV: 1613832 & Nguyễn Trọng
Nghĩa - MSSV: 1612212
Xây dựng hệ thống đào tạo trực tuyến
Nội dung:
Quản lý nhân sự Training Center
Quản lý khóa học online
Quản lý khóa học offline
Quản lý đề cương khóa học
Quản lý bài kiểm tra
Quản lý kỳ mở lớp
Quản lý quá trình học
Quản lý học viên
Quản lý giảng viên
Khám phá khóa học
Học khóa học
Xếp loại và đánh giá
Thống kê báo cáo E-learning
GVHD : TS. Dương Ngọc Hiếu (dnhieu@hcmut.edu.vn) & PGS.TS. Thoại Nam
(namthoai@hcmut.edu.vn)
Đề 123: (Dành cho 2SV)
Xây dựng ứng dụng truy vết đối tượng dựa trên công nghệ xử lý ảnh và GIS
Nội dung:
Nghiên cứu công nghệ Video Management System, cho phép lưu trữ và truy xuất dữ
liệu video playback.
Xây dựng bản đồ camera (toạ độ, góc camera) chồng lớp trên nền bản đồ Open
Street Map.
Xây dựng bộ công cụ cho phép tương tác trên bản đồ camera, cho phép đánh dấu
thời điểm, hướng di chuyển của đối tượng để làm cơ sở truy vết đối tượng
Nghiên cứu giải thuật cho phép tính toán theo không gian, thời gian ước lượng vị trí
camera và thời điểm đối tượng truy vết lọt vào khung camera.
GVHD : TS. Dương Ngọc Hiếu (dnhieu@hcmut.edu.vn) & PGS.TS. Thoại Nam
(namthoai@hcmut.edu.vn)
Đề 124: (Dành cho 2SV)
Xây dựng ứng dụng OTT (Over-the-top) về đào tạo
Nội dung:
Xây dựng hệ thống hỗ trợ tạo bài giảng điện tử
Xây dựng hệ thống quản lý bài giảng điện tử
Xây dựng ứng dụng di động OTT vận hành trên iOS và Android
Đề 125.
Xây dựng phần mềm quản lý camera tập trung (VMS - Video Management
System)
GVHD:
- PGS. TS. Trần Văn Hoài (hoai@hcmut.edu.vn)
- TS. Dương Ngọc Hiếu (dnhieu@hcmut.edu.vn)
Yêu cầu:
- Dành cho nhóm 2 hoặc 3 sinh viên.
- Ham thích học hỏi/tìm hiểu công nghệ
- Đề tài có tính ứng dụng, và làm việc chung trong một công ty có tiếp cận với công
nghệ VMS, cũng như dữ liệu thực tế để thử nghiệm.
Nội dung
- Nghiên cứu các công nghệ mã nguồn mở về VMS
- Lựa chọn công nghệ phù hợp, đọc hiểu và cải tiến sao cho phần mềm VMS đáp
ứng được các tiêu chí cơ bản sau:
Phần mềm có thể quản lý camera, có khả năng kết nối với camera (IP và Analog)
Hỗ trợ kết nối camera có nhiều luồng video (Multi stream )
o Luồng hình ảnh: JPEG/MJPEG/MPEG4/H264/H265;
o Luồng âm thanh: có hỗ trợ đối với các camera có âm thanh, có thể ghi đồng
bộ hình ảnh và âm thanh vào 1 file video;
Kết nối thông minh: tùy chọn chỉ kết nối đến các đầu ghi khi camera từ đầu ghi
được chọn hiển thị trên màn hình, hiển thị luồng video phụ khi hiển thị đồng thời
nhiều camera để giảm băng thông mạng và giảm tải CPU.
o Tự động kết nối camera: Tự động phát hiện mất tín hiệu kết nối đến
camera và kết nối lại;
o Cảnh báo khi camera mất kết nối: Cảnh báo qua email hoặc tin nhắn SMS
khi camera bị mất kết nối. Trạng thái của mỗi camera (ghi hình, không ghi
hình, mất kết nối, v.v…) được thể hiện bằng các biểu tượng khác nhau trên
màn hình.
Hiển thị linh hoạt nhiều chế độ xem trên các nền web, mobile
Ghi hình:
o Ghi đè: tự động ghi đè dữ liệu cũ nhất khi tất cả các ổ cứng đầy (dung
lượng tới hạn có thể đặt được);
o Lưu theo chuẩn nén hình ảnh H264/H265;
o Ghi cân bằng tải: ghi dữ liệu đều lên các ổ cứng để tránh quá tải băng thông
đọc ghi của ổ cứng;
o Ghi hình theo lịch: thiết lập lịch ghi hình cho các ngày khác nhau trong tuần;
o Ghi hình theo chuyển động: sử dụng tín hiệu cảnh báo chuyển động từ
camera giúp giảm tải CPU (áp lụng với một số loại camera: Panasonic, Axis,
Sony, Dahua, Hikvision, LILIN, Dmax, Foscam, Flir, Brickcom, Keeper,
Shany, Truen, Avigilon, Arecont Vision, v.v…)
Tìm kiếm và xem lại dữ liệu video playback.
Điều khiển camera PTZ.
Tích hợp bản đồ số E-map: Phần mềm có khả năng tích hợp với bản đồ số, cho
phép xác định dễ dàng vị trí camera trên bản đồ, tính năng click and view hình ảnh
trực tuyến camera trên bản đồ.
Phần mềm phải có khả năng chia sẻ được video stream của từng camera thông qua
phần mềm VMS bằng giao thức RTSP, HTTP.
Phân quyền quản trị: Phân quyền quản trị với nhiều mức khác nhau: Admin (toàn
quyền quản trị và khai thác hệ thống), User1, User2, … Usern (cho phép quản trị,
khai thác hệ thống theo từng cấp độ khác nhau), v.v...
- Nghiên cứu tổng quan về VMS, các thư viện mã nguồn mở VMS
- Phân tích và hiết kế chi tiết hệ thống VMS
- Xây dựng demo
- Hiện thực các nội dung còn lại theo yêu cầu liệt kê trên.
Đề 126.
Phát triển thuật toán điều khiển tín hiệu đèn cho mạng giao thông Vi ệt Nam
(Developing an algorithm of light control for mixed traffic in Vietnam transportation
roads.)
Nội dung
Điều khiển đèn giao thông tự động hoặc bán tự động là một mong muốn cũng như
nhu cầu rất thực ở Việt Nam. Tuy nhiên, với dòng giao thông hỗn hợp, cũng như hành vi
giao thông khá phức tạp đã làm nãy sinh nhiều thách thức lớn. LV này là một phần giúp
giải quyết bài toán lớn nêu trên. Cụ thể 2 nội dung chính của LV là:
Mô hình điều khiển đèn không thể dễ dàng được triển khai trong môi trường thực. Do
đó LV phải xây dựng một môi trường để đánh giá thử nghiệm những đề xuất về điều
khiển. Môi trường này nên đưa nhiều yếu tố thjực tế vào (bộ phát sinh xe, hành vi của
xe, sự hỗn hợp của dòng xe, yếu tố hình hoc của giao lộ, mối quan hệ giữa những giao
lộ gần nhau,...)
Đề xuất một thuật toán điều khiển minh hoạ được khả năng cải thiện thông suất
(throughput) và giảm độ trễ (delay) của toàn bộ hệ thống giao thông xem xét.
Giai đoạn TTTN :
Tìm hiểu về những phần mềm mô phỏng (Vissim PTV, SUMO,...) và đề xuất một
phần mềm phù hợp.
Xây dựng một mô hình mô phỏng một giao lộ và một mạng các giao lộ gần nhau (bao
gồm nhiều yếu tố thực tế có thể)
Tìm hiểu tất cả những dữ liệu có thể được xem như là đầu vào của thuật toán (có thể
là cả số xe tại một thời điểm được đếm bởi một hệ thống khác).
Giai đoạn LVTN
Hoàn thiện mô tả bài toán.
Phát triển thuật toán (mô hình) điều khiển đèn và thử nghiệm trên mô hình mô phỏng.
Đề 127.
Xây dựng thuật toán dựa trên DBSCAN cho bài toán phân cụm trong sinh học.
(Developing a DBSCAN-based method for clustering problem in biology)
Đề 128.
Xây dựng thuật toán phân tách đồ thị tạo ra từ dữ liệu sinh học.
(Developing a graph partitioning algorithm for biological-originated datasets)
GVHD: PGS.TS. Trần Văn Hoài
Yêu cầu:
- Số sinh viên: 1 hoặc 2
- Ham học hỏi/tìm hiểu về đồ thị và những thuật toán liên quan.
Nội dung:
Để phân cụm những tập dữ liệu chứa nhiều loài khác nhau bên trong, một số
phương pháp tiếp cận theo hướng chuyển sang một đồ thị. Một lợi thế của những
phương pháp này là đã nhúng được đặc tính sinh học vào đồ thị. Tuy nhiên, để phân cụm
tốt thì một thách thức cần giải quyết là phải phân tách (partition) đồ thị này thành những
đồ thị con ở những điểm (đỉnh hoặc cạnh) “yếu”nhất của đồ thị ban đầu. Luận văn sẽ
hướng đến sử dụng những kỹ thuật phân tích đồ thị (và các thành phần), để từ đó tìm ra
điểm phân tách tốt.
Giai đoạn TTTN:
- Tìm hiểu những độ đo trên đồ thị.
- Tìm hiểu ứng dụng của độ đo trên đồ thị vào giải bài toán phân hoạch đồ thị.
- Tìm hiểu đồ thị tạo ra từ dữ liệu sinh học.
Giai đoạn LVTN:
- Phát triển một phương pháp phân hoạch đồ thị dựa trên các kiến thức đã tìm hiểu.
- Ứng dụng với dữ liệu đồ thị từ bài toán sinh học và hiệu chỉnh phương pháp cho
phù hợp.
Đề 129. (2sv) Xây dựng hệ thống cân bằng tải cho dịch vụ Web của trường.
GVHD: ThS. Nguyễn Cao Đạt
Yêu cầu:
- Có khả năng đọc và hiểu tiếng Anh.
- Quen thuộc với hệ điều hành Linux.
Đề cương LVTN:
- Tìm hiểu hệ thống cân bằng tải cho dịch vụ Web.
- Tìm hiểu các mã nguồn mở NGINX & HAProxy.
- Triển khai hệ thống cân bằng tải cho dịch vụ Web mức độ đơn giản.
- Đề xuất các yêu cầu cụ thể thực hiện trong LVTN.
LVTN:
- Triển khai đầy đủ hệ thống cân bằng tải cho dịch vụ Web của trường.
- Đánh giá hệ thống đã triển khai.
Đề 130. (2sv) Xây dựng hệ thống xác thực tập trung hỗ trợ nhiều yếu tố.
GVHD: ThS. Nguyễn Cao Đạt
Yêu cầu:
- Có khả năng đọc và hiểu tiếng Anh.
- Quen thuộc với hệ điều hành Linux và có khả năng lập trình Java.
Đề cương LVTN:
- Tìm hiểu hệ thống xác thực tập trung hỗ trợ nhiều yếu tố.
- Tìm hiểu dịch vụ xác thực tập trung (Central Authentication Service).
- Triển khai hệ thống xác thực tập trung hỗ trợ nhiều yếu tố mức độ đơn giản.
- Đề xuất các yêu cầu cụ thể thực hiện trong LVTN.
LVTN:
- Triển khai đầy đủ hệ thống xác thực tập trung hỗ trợ nhiều yếu tố.
- Đánh giá hệ thống đã triển khai.
Đề 131. : (2sv) Xây dựng giải pháp sao lưu dự phòng và khôi phục hệ thống
sau thảm họa.
Yêu cầu:
- Có khả năng đọc và hiểu tiếng Anh.
- Quen thuộc với hệ điều hành Linux.
Đề cương LVTN:
- Tìm hiểu sao lưu dự phòng và khôi phục hệ thống sau thảm họa.
- Tìm hiểu các công cụ hỗ trợ sao lưu dự phòng và khôi phục hệ thống sau thảm
họa.
- Triển khai giải pháp ở mức độ đơn giản.
- Đề xuất các yêu cầu cụ thể thực hiện trong LVTN.
LVTN:
- Triển khai đầy đủ giải pháp sao lưu dự phòng và khôi phục hệ thống sau thảm họa.
- Đánh giá giải pháp đã triển khai.
Đề 139. Lê Thị Thúy Hằng 1610956, Trần Thị Kim Ngân 1612176
Xây dựng ứng dụng thay đổi hình ảnh tự động theo một ảnh mẫu cho trước
GVHD: PGS.TS. Phạm Trần Vũ (ptvu@hcmut.edu.vn)
Giai đoạn Đề cương
- Tìm hiểu các công nghệ xử lý ảnh, các phương pháp rút trích đặc trưng từ ảnh
chụp
- Tìm hiểu các giải pháp phân tích, rút trích đặc trưng ảnh
- Tìm hiểu các giải pháp thay đổi kiểu ảnh (style) hiện có
- Xác định mục tiêu, phương pháp và kế hoạch triển khai LVTN
Giai đoạn LVTN
- Hoàn thiện giải pháp
- Xây dựng ứng dụng mẫu