Professional Documents
Culture Documents
Other Group Sample Ai Report
Other Group Sample Ai Report
Hình 1. Chuyển đổi giao dịch
Tập các phần tử mở rộng I’ = {a[0], b[0], c[0], d[0], a[1], b[1], c[1], d[1]}
Việc sinh nút gốc bắt đầu với X = null, Y = I’, T(null) = {0,1,2,3,4,5}
Khi mỗi nút được sinh ra, chúng tự động cập nhật để loại bỏ phần tử không phải là phổ biến, như hình 2.
Trên tập các giao dịch T(null): supp(a[0]) = 3, supp(b[0]) = 2, supp(c[0]) = 3, supp(d[0]) = 1, supp(a[1]) = 2,
supp(b[1]) = 1, supp(c[1]) = 2, supp(d[1]) = 1
Với min supp = 2, thì nút gốc tự động cập nhật: X = null, Y = { a[0], b[0], c[0], a[1], c[1]} (Hình 2)
Hình 2. Cập nhật lại nút
Với mỗi tạo nút con (dòng 11) được thể hiện như hình 3:
Hình 3. Tạo nút mới
Hình 4. Điều kiện tạo nút mới
Kết thúc việc tạo cây nếu Y của tất cả các nút đã tạo giống như trên hình 5.
Hình 5. Cây khi tạo xong
Khi cây được hoàn thành thì maximal_element của nút gốc sẽ là tập phần tử phổ biến lớn nhất.
IV. KẾT QUẢ DỰ KIẾN
Để đánh giá độ chính xác của thuật toán, mình cần có con số True Positive và True Negative để dựng nên
Confusion Matrix.
Kết quả khi mình dùng phần mềm để nhận diện 48 tấm ảnh của 12 đối tượng trong một công ty(Một vài
ảnh không có mặt hoặc link bị lỗi). Có thể thấy model của chúng ta nhận diện đúng được 40/42 tấm.
Kết quả khi mình chạy với 4 đối tượng không có trong cở sở dữ liệu không có trong cơ sở dữ liệu Model
có performance khi nhận được đúng với tỷ lệ 60%-80%
Confusion Matrix kết quả của thuật toán:
Có khá nhiều giá trị để đánh giá, chúng ta quan tâm đến các giá trị sau đây:
Sensivity [TP / (TP + FN)] – Với 42 ảnh có trong DB thì nhận dạng được 95.23% đúng.
Precision [TP / (TP + FP)] – Với 42 kết quả nhận diện có, có 95.23% kết quả là chính xác.
Accuracy [(TP + TN) / (TP + FP + TN + FN)] – Độ chính xác tổng thể là 94.59%
V. VỀ CÁC BƯỚC GIẢI THÍCH THUẬT TOÁN
Các bước giải thích:
Input/Output của hệ thống
Trong thực tế, quá trình nhận diện bao gồm 2 quá trình chính là:
- Face Detection (Tạm gọi là Phát hiện khuôn mặt) .
- Face Recognization (Nhận diện khuôn mặt).
Bước 1: Face Detection (Phát hiện khuôn mặt)
Face Detection: Đây là quá trình phát hiện khuôn mặt trong các bức ảnh ảnh. Chức năng này hiện có hầu
hết trong các máy ảnh, camera smartphone hiện tại đều có chức năng này….
Giới thiệu về thuật toán Viola Jones:
Chúng ta có các cách nhận diện khuôn mặt chính như: Thông qua màu sắc, cử động hoặc qua góc cạnh
trong ảnh,…. Tuy nhiên, thuật toán được sử dụng phổ biến nhất hiện nay là Viola-Jones.
Ưu điểm lớn nhất của thuật toán này là nó không chỉ nhận diện được khuôn mặt mà còn có thể nhận
diện được đồ vậy, hình dạng.
Cơ chế của nó khá đơn giản như sau:
Tạo ra một frame hình vuông, lần lượt di chuyển frame này khắp tấm ảnh gốc.
Mỗi khi frame di chuyển, check xem khu vực trong frame có phải là khuôn mặt hay đồ vật hay
không. (Bằng cách check các vùng sáng tối trong frame).
Sau khi di chuyển hết tấm ảnh, tăng kích cỡ frame lên và scan lại từ đầu.
Dừng thuật toán khi frame đủ lớn.
Tóm lại, dữ liệu đầu vào của quá trình này là một tấm ảnh. Dữ liệu đầu ra là vị trí và kích cỡ của các
khuôn mặt trong ảnh.
Bước 2: Face Recognition (Nhận diện khuôn mặt)
Từ kết quả của bước 1 (Face Detection) trước, ta đã có các khuôn mặt trong ảnh. Các khuôn mặt này sẽ
lần lượt được so sánh với các khuôn mặt đã có trong cơ sở dữ liệu để tìm dữ liệu có khuôn mặt có nhiều
tỷ lệ tương đồng nhất.
Ví dụ:
Trên ứng dụng Facebook, những hình vuông trắng trắng sau khi up ảnh là kết quả của quá trình Face
Detection.Khi này hệ thống Facebook sẽ so sánh khuôn mặt trong hình vuông đó với khuôn mặt của
những người quen trong danh sách bạn bè của bạn và tìm khuôn mặt giống nhất để gợi ý gắn thẻ tên
cho người đó.