Thanh bên bài viết

PDF
Ngày xuất bản: 31/03/2024
Số lượt xem tóm tắt: 161
Số lượt xem PDF: 178
DOI: https://doi.org/10.59907/daujs.3.1.2024.298
Số xuất bản
Tập 3 Số 1 (2024)
Chuyên mục
KHOA HỌC KỸ THUẬT VÀ CÔNG NGHỆ
Trích dẫn bài báo
Nguyễn, T. T., & Ngô, T. A. T. (2024). Nghiên cứu tiếp cận học sâu ứng dụng trong quản lý lớp học hiệu quả ở Trường Đại học Đông Á. Tạp chí Khoa học Đại học Đông Á, 3(1). https://doi.org/10.59907/daujs.3.1.2024.298

Nghiên cứu tiếp cận học sâu ứng dụng trong quản lý lớp học hiệu quả ở Trường Đại học Đông Á

Nguyễn Trọng Tùng, Ngô Thế Anh Tuấn

Nội dung chính của bài viết

Tóm tắt

Ứng dụng công nghệ trong việc quản lý lớp học đã được nhiều đơn vị giáo dục triển khai với nhiều cách thức và mức độ khác nhau. Ngày nay với sự phát triển của các thuật toán học sâu trong nhận diện vật thể, khuôn mặt đã thúc đẩy việc ứng dụng vào nhiều lĩnh vực như giám sát đường phố qua hệ thống camera, ứng dụng trong các nhà máy giám sát quy trình thực hiện, xe tự hành, … Ứng dụng mô hình học sâu trong quản lý, giám sát lớp học như tỷ lệ sinh viên đến lớp, mức độ sinh viên tập trung nghe giảng, hiểu bài thông qua kết quả học sâu và mô hình tính toán xác xuất thống kê. Trong bài báo này, chúng tôi đề xuất giải pháp giám sát lớp học bằng cách sử dụng trí tuệ nhân tạo nhận diện khuôn mặt. Thực nghiệm trên bộ dữ liệu khuôn mặt tự thu thập và bảng theo dõi tại một trường đại học cho thấy sự kết hợp giữa mô hình và kỹ thuật đề xuất đã cho kết quả tích cực là tỷ lệ nhận diện đạt trên 95 % ngay cả trong điều kiện thiếu sáng, nghiêng hoặc bị che khuất một phần.

Chi tiết bài viết

Từ khóa

học sâu, nhận diện khuôn mặt, phát hiện đối tượng, thị giác máy tính, tự động nhận diện

Tài liệu tham khảo

Connie, T., Al-Shabi, M., Cheah, W. P., & Goh, M. (2017). Facial expression recognition using a hybrid CNN-SIFT aggregator. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10607 LNAI. Doi: 10.1007/978-3-319-69456-6_12.
Cuong Nguyen, H. H., Trong Nguyen, T., & Hai Trinh, T. (2019). Consistency Maintenance in Distributed Cloud Storage Systems. Azerbaijan Journal of High-Performance Computing, 2(2), 158-169. Doi: 10.32010/26166127.2019.2.2.158.169.
Cuong, N. H. H., Van Thang, D., Tung, N. T., Tan, M. N., & Dien, N. T. T. (2023). SIFT Application Separates Motion Characteristics and Identifies Symbols on Tires. Smart Innovation, Systems and Technologies, 326 SIST. Doi: 10.1007/978-981-19-7513-4_1.
Ghofrani, A., Toroghi, R. M., & Ghanbari, S. (2019). Realtime Face-Detection and Emotion Recognition Using MTCNN and miniShuffleNet V2. 2019 IEEE 5th Conference on Knowledge Based Engineering and Innovation, KBEI 2019. Doi: 10.1109/KBEI.2019.8734924.
Guo, G., Li, S. Z., & Chan, K. (2000). Face recognition by support vector machines. Proceedings - 4th IEEE International Conference on Automatic Face and Gesture Recognition, FG 2000. Doi: 10.1109/AFGR.2000.840634.
Liao, K., Liu, G., & Hui, Y. (2013). An improvement to the SIFT descriptor for image representation and matching. Pattern Recognition Letters, 34(11). Doi: 10.1016/j.patrec.2013.03.021.
Li, B., & Lima, D. (2021). Facial expression recognition via ResNet-50. International Journal of Cognitive Computing in Engineering, 2, 57-64. doi: 10.1016/j.ijcce.2021.02.002.
Liu, H., Luo, S., Lu, J., & Dong, J. (2019). Method for Fused Phase and PCA Direction Based on a SIFT Framework for Multi-Modal Image Matching. IEEE Access, 7. Doi: 10.1109/ACCESS.2019.2953539.
Liu, Z., Zhu, W., Zhang, H., Wang, S., Fang, L., Hong, W., Shao, H., & Wang, G. (2020). Reliability evaluation of dynamic face recognition systems based on improved Fuzzy Dynamic Bayesian Network. International Journal of Distributed Sensor Networks, 16(3). Doi: 10.1177/1550147720911558.
Nguyen Trong, T., Cuong, N. H. V., Pham, T. V., Cuong, N. H. H., & Khiet, B. T. (2023). An Approach to New Technical Solutions in Resource Allocation Based on Artificial Intelligence. Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST, 471 LNICST. Doi: 10.1007/978-3-031-35081-8_27.
Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. Proceedings of the IEEE International Conference on Computer Vision. Doi: 10.1109/ICCV.2011.6126544.
Sima, A. A., & Buckley, S. J. (2013). Optimizing SIFT for matching of short-wave infrared and visible wavelength images. Remote Sensing, 5(5). Doi: 10.3390/rs5052037.
Suganthi, S. T., Ayoobkhan, M. U. A., Kumar, V. K., Bacanin, N., Venkatachalam, K., Stepán, H., & Pavel, T. (2022). Deep learning model for deep fake face recognition and detection. PeerJ Computer Science, 8. Doi: 10.7717/PEERJ-CS.881
Tan, C., Wang, H., & Pei, D. (2010). SWF-SIFT approach for infrared face recognition. Tsinghua Science and Technology, 15(3). Doi: 10.1016/S1007-0214(10)70074-2
Wu, J., Cui, Z., Sheng, V. S., Zhao, P., Su, D., & Gong, S. (2013). A comparative study of SIFT and its variants. Measurement Science Review, 13(3). Doi: 10.2478/msr-2013-0021
Yang, J., Huang, J., Jiang, Z., Dong, S., Tang, L., Liu, Y., Liu, Z., & Zhou, L. (2020). SIFT-aided path-independent digital image correlation accelerated by parallel computing. Optics and Lasers in Engineering, 127. Doi: 10.1016/j.optlaseng.2019.105964
Zhang, G., Zeng, Z., Zhang, S., Zhang, Y., & Wu, W. (2017). SIFT Matching with CNN Evidences for Particular Object Retrieval. Neurocomputing 238. doi: 10.1016/j.neucom.2017.01.081
Zhao, W., Chellappa, R., & Krishnaswamy, A. (1998). Discriminant analysis of principal components for face recognition. Proceedings - 3rd IEEE International Conference on Automatic Face and Gesture Recognition, FG 1998. Doi: 10.1109/AFGR.1998.670971
Zhu, Y., Cheng, S., Stanković, V., & Stanković, L. (2013). Image registration using BP-SIFT. Journal of Visual Communication and Image Representation, 24(4). Doi: 10.1016/j.jvcir.2013.02.005.