000 00000nam#a2200000ui#4500
001 28612
008 240925s00vm|#################vie#d
082 ## $a000 $bDO-B
100 0# $aĐỗ, Hoài Biên
245 ## $aMô hình mạng nơron tích chập theo kiến trúc VIT cho nhận dạng biểu cảm khuôn mặt và ứng dụng hỗ trợ đánh giá sự hài lòng của người hiến máu tại Trung tâm Máu Quốc gia, Viện Huyết học - Truyền máu TW $b $cĐỗ Hoài Biên; NHDKH PGS.TS. Dương Thăng Long $h $n $p
260 ## $aH. $bTrường Đại học Mở Hà Nội $c2025
300 ## $a67 tr. $b $cA4 $e
490 ## $aTrường Đại học Mở Hà Nội; Khoa Công nghệ Thông tin
520 ## $aLuận văn nhằm giải quyết hạn chế của các phương pháp khảo sát truyền thống trong đánh giá sự hài lòng của người hiến máu, đề xuất sử dụng công nghệ nhận diện biểu cảm khuôn mặt như một chỉ số khách quan. Trên thực tế, tỉ lệ hiến máu tình nguyện tại Việt Nam mới đạt khoảng 1,7% dân số, thấp hơn khuyến cáo 2% của WHO, trong khi trải nghiệm và sự hài lòng của người hiến máu có ảnh hưởng lớn đến việc quay lại hiến máu. Mục đích nghiên cứu gồm khảo sát các mô hình CNN và Transformer (ViT), nghiên cứu kiến trúc VTFF cho nhiệm vụ nhận diện biểu cảm khuôn mặt, cũng như thiết kế và thử nghiệm ứng dụng hỗ trợ đánh giá sự hài lòng của người hiến máu. Phương pháp thực hiện kết hợp nghiên cứu lý thuyết – tổng hợp tài liệu – và thực nghiệm: phân tích yêu cầu, xây dựng ứng dụng, huấn luyện mô hình và đánh giá kết quả . Luận văn được chia thành ba chương chính: Chương 1 trình bày cơ sở về CNN, gồm các phép xử lý sơ cấp như tích chập, pooling, chuẩn hóa, cùng các kiến trúc VGG, ResNet và DenseNet; đồng thời tổng quan các ứng dụng điển hình của CNN trong phân loại, phát hiện, phân đoạn và nhận diện biểu cảm khuôn mặt . Chương 2 giới thiệu tổng quan về Transformer (self-attention, multi-head attention, kiến trúc encoder–decoder), chuyển sang mô hình Vision Transformer (ViT) và khai thác thách thức của nhận diện biểu cảm trong thực tế, rồi đề xuất kiến trúc VTFF, kết hợp hai nhánh CNN (ảnh RGB và ảnh LBP) qua mô-đun Attentional Selective Fusion và Transformer đa lớp để tận dụng lợi thế cục bộ và toàn cục của ảnh . Chương 3 mô tả hạ tầng phần cứng, bộ dữ liệu thử nghiệm (FERPlus, CK+, AffectNet, AVFER), quy trình tiền xử lý và tăng cường dữ liệu, quá trình huấn luyện, xây dựng ứng dụng thực tế và kết quả kiểm thử. Kết quả thực nghiệm trên bộ dữ liệu AVFER cho thấy mô hình VTFF vượt trội so với ResNet50 truyền thống, đồng thời ứng dụng đánh giá biểu cảm thu thập từ thực tế tại Trung tâm Máu Quốc gia ngày 9 và 10 tháng 4 2025 lần lượt cho nhóm tích cực khoảng 36–38,5 %, trung tính 51–53 % và tiêu cực 10–11 %. Luận văn kết luận rằng VTFF là hướng đi phù hợp cho bài toán FER, trong đó các lớp cảm xúc Happy, Neutral, Angry được phân biệt tốt, còn Contempt, Disgust, Fear cần cải thiện thêm; đồng thời nhấn mạnh ứng dụng nhận diện biểu cảm chỉ là giải pháp bổ trợ, không thể thay thế hoàn toàn khảo sát truyền thống do nhiều yếu tố tâm lý khác ảnh hưởng biểu cảm. Hướng phát triển tương lai bao gồm thử nghiệm với dữ liệu nhiễu hơn, áp dụng các hàm loss như focal hoặc curriculum learning để khắc phục mất cân bằng lớp và cải thiện độ chính xác tổng thể.
541 ## $aTài liệu nội sinh
653 ## $aViT
653 ## $aTransformer
653 ## $aFER
653 ## $anhận diện biểu cảm khuôn mặt
653 ## $ađánh giá sự hài lòng của người hiến máu
690 ## $aCông nghệ thông tin
691 ## $aCông nghệ thông tin
852 ## $aThư Viện Trung Tâm