TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH – VIỄN THÔNG

KHÓA LUẬN TỐT NGHIỆP

CẢM BIẾN PHỔ TRONG VÔ TUYẾN NHẬN THỨC
THÔNG QUA PHÁT TRIỂN MÔ HÌNH HỌC SÂU
DÙNG CHO PHÂN ĐOẠN TÍN HIỆU LTE – 5G
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

NGUYỄN GIA VƯƠNG
MSSV: 20139038

Hướng dẫn:

TS. HUỲNH THẾ THIỆN

TP. HỒ CHÍ MINH - 06/2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH – VIỄN THÔNG

KHÓA LUẬN TỐT NGHIỆP

CẢM BIẾN PHỔ TRONG VÔ TUYẾN NHẬN THỨC
THÔNG QUA PHÁT TRIỂN MÔ HÌNH HỌC SÂU
DÙNG CHO PHÂN ĐOẠN TÍN HIỆU LTE – 5G
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

NGUYỄN GIA VƯƠNG
MSSV: 20139038

Hướng dẫn:

TS. HUỲNH THẾ THIỆN

TP. HỒ CHÍ MINH - 06/2024

LỜI CẢM ƠN
Trong quá trình hoàn thành khóa luận tốt nghiệp với đề tài này, tôi đã nhận được rất
nhiều sự tư vấn và lời khuyên từ quý Thầy Cô và bạn bè ngành Hệ thống nhúng và IoT,
khoa Điện - Điện tử, thuộc trường Đại Học Sư Phạm Kỹ Thuật Thành phố Hồ Chí Minh
mới có thể hoàn thành đề tài. Tôi xin gửi một lời cảm ơn chân thành nhất đến những quý
Thầy Cô, bạn bè đã góp ý, giúp đỡ trong quá trình thực hiện đề tài. Đặc biệt, tôi xin cảm
ơn Thầy Huỳnh Thế Thiện, người đã luôn sát cánh cùng tôi trong quá trình thực hiện đề
tài. Những góp ý, lời khuyên, đánh giá và lộ trình Thầy đặt ra từ những ngày đầu làm
khóa luận thực sự để lại ý nghĩa rất lớn, ảnh hưởng đến tư duy, hướng phát triển trong
quá trình thực hiện đề tài này của tôi. Tất nhiên, đề tài sẽ còn có những thiếu sót và hạn
chế, tôi rất mong nhận được những góp ý và đánh giá thẳng thắn để có thể học hỏi thêm
kiến thức, qua đó có thể có một sản phẩm chỉn chu hơn trong tương lai. Tôi xin chân
thành cảm ơn!

Sinh viên thực hiện khóa luận tốt nghiệp
(Ký và ghi rõ họ tên)

Nguyễn Gia Vương

i

LỜI CAM ĐOAN
Tôi, Nguyễn Gia Vương, sinh viên ngành Hệ thống nhúng và IoT, mã số sinh viên
20139038, khoa Điện - Điện tử, trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí
Minh, xin cam đoan rằng khóa luận tốt nghiệp với đề tài này là sản phẩm nghiên cứu
độc lập và sáng tạo của bản thân. Khóa luận được hoàn thành dựa trên nền tảng kiến
thức chuyên môn, kỹ năng nghiên cứu và nỗ lực cá nhân của tôi, không sao chép nội
dung hay kết quả của bất kỳ đồ án, bài báo khoa học, hay tài liệu nào khác đã được công
bố trước đây. Tất cả nội dung tham khảo từ các nguồn tài liệu khác, bao gồm sách, báo,
bài báo khoa học, trang web, v.v., đều được trích dẫn đầy đủ và chính xác theo đúng qu
...

...
ansformer embedding UNet for remote sensing image semantic segmentation,” IEEE Trans. Geosci.
Remote Sensing, vol. 60, pp. 1–15, Oct 2022.
[22] H. Cao, Y. Wang, J. Chen, D. Jiang, X. Zhang, Q. Tian, and M. Wang, “Swin-Unet:
Unet-like pure transformer for medical image segmentation,” in Computer Vision –
ECCV 2022 Workshops. Cham: Springer Nature Switzerland, 2023, pp. 205–218.
[23] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Las Vegas, NV,
USA, June 2016, pp. 770–778.
[24] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2:
Inverted residuals and linear bottlenecks,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Salt Lake City, UT, USA, June 2018, pp. 4510–4520.
[25] Z. Liu, Y. Lin, Y. Cao, H. Hu, Y. Wei, Z. Zhang, S. Lin, and B. Guo, “Swin
transformer: Hierarchical vision transformer using shifted windows,” in 2021
IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC,
Canada, 2021, pp. 9992–10 002.
[26] S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz, and D. Terzopoulos,
“Image segmentation using deep learning: A survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 7, pp. 3523–3542, Jul 2022.
[27] K. He, G. Gkioxari, P. Dollar, and R. Girshick, “Mask R-CNN,” in Proc.IEEE/CVF
Int. Conf. Comput. Vis. (ICCV), Venice, Italy, Oct 2017, pp. 2980–2988.
[28] C. Zhang, W. Jiang, Y. Zhang, W. Wang, Q. Zhao, and C. Wang, “Transformer
and CNN hybrid deep neural network for semantic segmentation of very-highresolution remote sensing imagery,” IEEE Trans. Geosci. Remote Sensing, vol. 60,
pp. 1–20, Jan 2022.
[29] S. Woo, J. Park, J.-Y. Lee, and I. S. Kweon, “CBAM: Convolutional block attention
module,” in Proc. European Conf. Comput. Vis. (ECCV), Munich, Germany, 2018,
pp. 3–19.
[30] J. Hu, L. Shen, S. Albanie, G. Sun, and E. Wu, “Squeeze-and-excitation networks,”
IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, no. 8, pp. 2011–2023, Apr 2020.
58

[31] G.-V. Nguyen, C. V. Phan, and T. Huynh-The, “Accurate spectrum sensing with
improved deeplabv3+ for 5g-lte signals identification,” in Proc. SOICT, Ho Chi
Minh, 2023, p. 221–227.
[32] G. Csurka, D. Larlus, F. Perronnin, and F. Meylan, “What is a good evaluation
measure for semantic segmentation?.” in Proc. 24th British Mach. Vision Conf.
(BMVC), vol. 27, University of Bristol, 2013, pp. 10–5244.

59