TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO
_______________

ĐỒ ÁN TỐT NGHIỆP

PHÂN LOẠI PHONG CÁCH THIẾT KẾ NỘI THẤT
DÙNG HỌC SÂU VÀ ỨNG DỤNG THỰC TẾ

SVTH1 : TRẦN MINH HIẾU 17110135
SVTH2 : PHẠM QUỐC VIỆT 17110254
KHÓA : 2017
NGÀNH: NGÀNH CÔNG NGHỆ THÔNG TIN
GVHD : TS. NGUYỄN THIÊN BẢO
TP. Hồ Chí Minh, tháng 7 năm 2021

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO
_______________

ĐỒ ÁN TỐT NGHIỆP

PHÂN LOẠI PHONG CÁCH THIẾT KẾ NỘI THẤT
DÙNG HỌC SÂU VÀ ỨNG DỤNG THỰC TẾ

SVTH1 : TRẦN MINH HIẾU 17110135
SVTH2 : PHẠM QUỐC VIỆT 17110254
KHÓA : 2017
NGÀNH: NGÀNH CÔNG NGHỆ THÔNG TIN
GVHD : TS. NGUYỄN THIÊN BẢO
TP. Hồ Chí Minh, tháng 7 năm 2021

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
____***____
Tp. Hồ Chí Minh, ngày…tháng…năm 2021

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP

Họ và tên SV1: Trần Minh Hiếu

MSSV: 17110135 Lớp: 17110CLST3

Họ và tên SV2: Phạm Quốc Việt

MSSV: 17110254 Lớp: 17110CLST2

Chuyên ngành: Công nghệ phần mềm.

Giảng viên hướng dẫn: TS. Nguyễn Thiên Bảo
ĐT:
Ngày nhận đề tài: 15/03/2021.
Ngày nộp đề tài: 19/07/2021.

1. Tên đề tài: Phân loại phong cách thiết kế nội thất dùng học sâu và ứng dụng vào
thực tế.
2. Các số liệu, tài liệu ban đầu: Tập dữ liệu huấn luyện từ GVHD và Google Image,
tài liệu nghiên cứu Deep Learning, CNN từ GVHD và tự tìm kiếm.
3. Nội dung thực hiện đề tài:
•
Tìm hiểu và xây dựng các mô hình phỏng đoán phong cách thiết kế nội thất
dựa trên bản vẽ, hình ảnh đầu vào sử dụng CNN.
•
Xây dựng ứng dụng Website áp dụng mô hình kinh tế chia sẻ kết hợp tính năng
phân loại của các mô hình học sâu đã đào tạo.
4. Sản phẩm:
•
Các mô hình CNN được đào tạo có độ chính xác cao.
•
Website áp dụng mô hình kinh tế chia sẻ kết hợp tính năng phân loại của các
mô hình học sâu đã đào tạo.
TRƯỞNG NGÀNH

GIẢNG VIÊN HƯỚNG DẪN

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
____***____

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN

Họ và tên SV1: Trần Minh Hiếu

MSSV: 17110135 Lớp: 17110CLST3

Họ và tên SV2: Phạm Quốc Việt

MSSV: 17110254 Lớp: 17110CLST2

Chuyên ngành: Công nghệ phần mềm.
Tên đề tài: Phân loại phong cách thiết kế nội thất dùng học sâu và ứng dụng thực tế.
Họ và tên Giáo viên hướng dẫn: TS. Nguyễn Thiên Bảo.
NHẬN XÉT
1.

Về nội dung đề tài &amp khối lượng thực hiện:

.......................................................................................................................................
..........................
...

...
ển các ứng dụng khác hỗ trợ quy trình thiết kế nội thất để đẩy nhanh
quy trình lên giúp giảm chi phí của quy trình xuống.

Trang | 164

TÀI LIỆU THAM KHẢO

TÀI LIỆU THAM KHẢO

Tiếng Việt:
[1]

Nguyễn Thanh Tuấn (2020), “Sách Deep Learning Cơ Bản – V2”,
https://nttuan8.com/sach-deep-learning-co-ban/, (01/04/2021).

[2]

Vũ Hữu Tiệp (2019), “Machine Learning cơ bản”, https://machinelearningcoban
.com/ebook/, (05/04/2021)

Tiếng Anh:
[3]

Aurélien Géron (2019). Hands-on machine learning with Scikit-Learn, Keras
and TensorFlow: concepts, tools, and techniques to build intelligent systems
(2nd ed.). O’Reilly.

[4]

Qingkai Kong, Timmy Siauw, Alexandre M. Baye (2020) Python Programming
and Numerical Method, Academic Press.

[5]

Murphy, K. P. (2013). Machine learning : a probabilistic perspective,.
Cambridge, Mass. [u.a.]: MIT Press. ISBN: 9780262018029 0262018020

[6]

Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, Gradient-based learning applied
to document recognition, in Proceedings of the IEEE, vol. 86, no. 11, pp. 22782324, Nov. 1998, doi: 10.1109/5.726791.

[7]

Kim, J. S., Song, J. Y., &amp Lee, J. K. (2018). Approach to the extraction of design
features of interior design elements using image recognition technique.

[8]

I. Tautkute, T. Trzciński, A. P. Skorupa, Ł. Brocki and K. Marasek, DeepStyle:
Multimodal Search Engine for Fashion and Interior Design, in IEEE Access,
vol. 7, pp. 84613-84628, 2019, doi: 10.1109/ACCESS.2019.2923552.

[9]

F. Chollet (2017), Xception: Deep Learning with Depthwise Separable
Convolutions, 2017 IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), 2017, pp. 1800-1807, doi: 10.1109/CVPR.2017.195.
Trang | 165

TÀI LIỆU THAM KHẢO

[10]

C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens and Z. Wojna, Rethinking the
Inception Architecture for Computer Vision, 2016 IEEE Conference on
Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2818-2826, doi:
10.1109/CVPR.2016.308.

[11]

G. Huang, Z. Liu, L. Van Der Maaten and K. Q. Weinberger (2017), Densely
Connected Convolutional Networks, 2017 IEEE Conference on Computer
Vision and Pattern Recognition (CVPR), 2017, pp. 2261-2269, doi:
10.1109/CVPR.2017.243.

[12]

Simonyan, K., &amp Zisserman, A. (2015). Very Deep Convolutional Networks for
Large-Scale Image Recognition. CoRR, abs/1409.1556.

[13]

TensorFlow https://www.tensorflow.org/

[14]

Keras https://keras.io/

[15]

scikit-learn https://scikit-learn.org/stable/

Trang | 166