Bối cảnh và vấn đề nghiên cứu

Khóa luận cử nhân ngành Khoa học Máy tính của hai tác giả Vũ Đình Vĩ Nghiêm và Lê Hoàng Ân (Trường Đại học Công nghệ Thông tin, Đại học Quốc gia TP. Hồ Chí Minh, năm 2021) tập trung vào bài toán phát hiện đối tượng trên không ảnh chụp từ thiết bị bay không người lái (UAV/drone).

Trong bối cảnh thực tiễn, các thiết bị bay không người lái trang bị camera ngày càng phổ biến trong các lĩnh vực như giám sát giao thông, nông nghiệp và chuyển phát nhanh nhờ khả năng tiếp cận linh hoạt các khu vực thiếu hệ thống camera cố định. Tuy nhiên, việc xử lý luồng dữ liệu hình ảnh từ UAV đặt ra các thách thức kỹ thuật lớn hơn so với dữ liệu ảnh thông thường:

  • Độ phân giải hình ảnh lớn: Ảnh trong tập dữ liệu không ảnh VisDrone có kích thước tối đa lên tới 2000×1500 điểm ảnh, vượt trội so với độ phân giải trung bình khoảng 600×480 điểm ảnh của tập chuẩn MS-COCO.
  • Góc chụp rộng ngoài trời: Vật thể cần nhận diện chiếm tỷ lệ diện tích rất nhỏ so với toàn khung cảnh, trong khi vùng nền phức tạp và đối tượng dễ bị che khuất.
  • Biến động chất lượng ảnh: Chuyển động liên tục của thiết bị và vật thể cùng sự thay đổi của điều kiện ánh sáng, thời tiết gây hiện tượng mờ nhòe và nhiễu dữ liệu.

Các phương pháp phát hiện đối tượng trên không ảnh trước đó (như các mô hình ensemble đạt giải tại VisDrone-DET 2018 và 2019, hoặc các mô hình phân cắt vùng ảnh ClusDet, DMNet) tuy giảm được tỷ lệ diện tích nền nhưng lại làm gia tăng chi phí tính toán, tốc độ xử lý khung hình (FPS) thấp và khó đáp ứng yêu cầu vận hành trong thời gian thực. Trong khi đó, các kiến trúc học sâu generic mới xuất hiện trên tập dữ liệu COCO mang lại hiệu năng cao và giải quyết bài toán suy luận theo các hướng tiếp cận khác nhau.

Mục tiêu nghiên cứu: Đánh giá khả năng khái quát hóa (generalization) của các kiến trúc phát hiện đối tượng học sâu hiện đại khi chuyển giao sang miền dữ liệu không ảnh, cụ thể:

  1. Lựa chọn và thực nghiệm mô hình YOLOv4 đại diện cho nhóm phương pháp phát hiện dày đặc dựa trên hộp mẫu (dense anchor-based prediction) có ưu thế về tốc độ thời gian thực.
  2. Lựa chọn và thực nghiệm mô hình DETR (DEtection TRansformer) đại diện cho nhóm phương pháp phát hiện thưa không dùng anchor (sparse anchor-free prediction) dựa trên kiến trúc Transformer đầu-cuối.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán học sâu phát hiện đối tượng (YOLOv4, DETR), các hàm mất mát bounding box và bài toán phát hiện đối tượng từ thiết bị bay không người lái.
  • Không gian dữ liệu: Bộ dữ liệu chuẩn VisDrone DET với các khung hình chụp từ UAV tại 14 thành phố ở Trung Quốc, bao gồm cả môi trường thành thị và nông thôn.
  • Phạm vi dữ liệu thực nghiệm: 3 tập con của VisDrone DET gồm tập huấn luyện (training set: 6.471 ảnh, 343.205 đối tượng), tập đánh giá (validation set: 548 ảnh, 38.759 đối tượng) và tập kiểm tra công khai (test-dev: 1.610 ảnh, 75.102 đối tượng) trên 10 lớp mục tiêu.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống cơ sở lý thuyết bao quát từ các thành phần nơ-ron cơ bản đến các cơ chế tiên tiến trong thị giác máy tính và học sâu:

Khung lý thuyết và mô hình nền tảng

  1. Mạng nơ-ron tích chập (CNN) và các kiến trúc kinh điển:
    • Các lớp xử lý chính: Lớp tích chập (Conv layer), lớp giảm kích thước (Pooling: max pooling, average pooling), lớp chuẩn hóa (Batch Normalization, Layer Normalization), lớp kết nối đầy đủ (Fully Connected - FC) và các hàm kích hoạt phi tuyến tính (ReLU, Mish).
    • Sự phát triển kiến trúc: AlexNet (2012, khởi đầu với kernel lớn 11×11), GoogLeNet (kiến trúc Inception trích xuất đa vùng tiếp nhận và bộ phân lớp phụ auxiliary classifier) và ResNet (khối residual với kết nối tắt skip connection nhằm học hàm đơn nhất $f(x)=x$, giải quyết triệt để sự tiêu biến gradient khi gia tăng độ sâu mạng).
  2. Kiến trúc Transformer và Positional Encoding:
    • Cấu trúc Encoder-Decoder dựa hoàn toàn trên cơ chế chú ý (attention).
    • Mã hóa vị trí (Positional Encoding): Do Transformer bất biến với thứ tự chuỗi, mô hình sử dụng hàm sin-cos xen kẽ theo các chiều chẵn và lẻ để nhúng tọa độ không gian: $$PE(pos, 2i) = \sin\left(\frac{pos}{10000^{2i/d_{model}}}\right)$$ $$PE(pos, 2i+1) = \cos\left(\frac{pos}{10000^{2i/d_{model}}}\right)$$
  3. Các độ đo và hàm mất mát cho hộp giới hạn:
    • Sai số tuyệt đối trung bình (MAE / $L_1$-norm): Hồi quy tọa độ điểm nhưng phụ thuộc tỷ lệ kích thước.
    • Chỉ số tương đồng Jaccard (IoU) và hàm mất mát khoảng cách Jaccard: $L_{IoU} = 1 - IoU(A, B)$.
    • Generalized IoU (GIoU): Bổ sung diện tích hình chữ nhật bao quanh nhỏ nhất $C$ để khắc phục trường hợp hai hộp không giao nhau: $$GIoU(A, B) = IoU(A, B) - \frac{|C \setminus (A \cup B)|}{|C|}$$
    • Distance-IoU (DIoU): Trực tiếp giảm thiểu khoảng cách Euclid chuẩn hóa giữa hai tâm hộp giới hạn $b$ và $b^{gt}$ với đường chéo $c$ của hình bao nhỏ nhất: $$L_{DIoU} = L_{IoU} + \frac{\rho^2(b, b^{gt})}{c^2}$$
    • Complete-IoU (CIoU): Tích hợp đồng thời diện tích trùng lặp, khoảng cách tâm và tính nhất quán về tỷ lệ khung hình (bề rộng / bề cao).

Phương pháp nghiên cứu thực nghiệm

Nghiên cứu sử dụng phương pháp thực nghiệm định lượng trên máy tính, triển khai huấn luyện và kiểm thử độc lập hai mô hình:

  • Kiến trúc YOLOv4:
    • Backbone: CSPDarknet-53 (cải tiến từ Darknet-53 bằng kỹ thuật Cross Stage Partial Network, chia đôi bản đồ đặc trưng theo kênh, giúp giảm 34% số lượng tham số và giảm 30% khối lượng tính toán).
    • Neck: Tích hợp mô-đun Spatial Pyramid Pooling (SPP) sử dụng 4 kernel maxpool kích thước 1, 5, 9, 13 (stride = 1) để gia tăng vùng tiếp nhận; kết hợp mạng tập hợp đường dẫn PANet sửa đổi (thay thế phép cộng trong FPN gốc bằng phép ghép nối chuỗi - concatenate và bổ sung đường kết nối tắt bottom-up).
    • Head và Hàm mục tiêu: Dự đoán dày đặc thông qua các anchor xác định trước; sử dụng hàm kích hoạt Mish $f(x) = x \tanh(\ln(1 + e^x))$ và kỹ thuật ghép 4 ảnh mosaic augmentation; tối ưu hóa đồng thời hàm mất mát định vị CIoU, cùng sai số bình phương cho độ lỗi phân lớp và objectness.
  • Kiến trúc DETR:
    • Backbone: Trích xuất đặc trưng hai chiều bằng ResNet-50 hoặc ResNet-101, giảm số chiều kênh xuống $d = 256$ qua lớp tích chập 1×1.
    • Transformer 2D Positional Encoding: Khái quát hóa vị trí cho ảnh bằng cách mã hóa độc lập tọa độ hàng và cột thành hai vector kích thước $d_{model}/2$, sau đó ghép nối thành vector vị trí $d_{model} = 256$ chiều.
    • Quá trình suy luận và ghép cặp: Decoder nhận tập cố định $N$ object queries học trước; đầu ra đưa qua MLP 3 lớp để hồi quy hộp giới hạn và lớp Fully Connected để phân loại.
    • Tối ưu hóa: Sử dụng thuật toán Hungary để giải bài toán gán cặp lưỡng phân (bipartite matching) một-một; hàm mất mát Hungarian kết hợp giữa Negative Log-Likelihood (đặt trọng số 0.1 cho nhãn không chứa vật thể) và tổ hợp tuyến tính giữa hàm mất mát $L_1$ và $L_{GIoU}$.
Bộ dữ liệu Ngữ cảnh Số ảnh Số lớp đối tượng
PASCAL VOC Thông thường ~11.000 20
MS COCO Thông thường ~120.000 80
CARPK Không ảnh (Drone) ~1.500 1
VisDrone Không ảnh (Drone) ~10.000 10

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài

Chương 1 thiết lập tổng quan về bài toán phát hiện đối tượng trong thị giác máy tính, phân tích hai tiêu chuẩn đánh giá then chốt: độ chính xác trung bình (mAP) và tốc độ xử lý thời gian thực (FPS). Tác giả so sánh sự khác biệt giữa tập dữ liệu thông thường và dữ liệu chụp từ thiết bị bay không người lái. Điểm qua các nghiên cứu tiền nhiệm tại các cuộc thi VisDrone-DET 2018–2019, chương chỉ ra rằng các mô hình ensemble và phương pháp chia nhỏ ảnh (ClusDet, DMNet) gây tắc nghẽn về tốc độ tính toán. Từ đó, tác giả xác định nhiệm vụ khảo sát thực nghiệm hai hướng tiếp cận generic nổi bật là YOLOv4 và DETR, đồng thời xác lập mục tiêu cung cấp tài liệu phân tích cùng bộ trọng số thực nghiệm trên không ảnh.

Chương 2: Các mô hình máy học liên quan

Chương 2 trình bày chi tiết nền tảng toán học và giải thuật học sâu. Bắt đầu từ nguyên lý cấu tạo lớp tích chập, pooling, normalization, fully connected và cơ chế chống suy giảm đạo hàm của ResNet thông qua skip connection. Chương tiếp tục diễn giải chi tiết cơ chế self-attention và cross-attention của Transformer, kèm công thức mã hóa vị trí (Positional Encoding). Phần cuối chương tập trung mổ xẻ sự tiến hóa của các hàm độ lỗi hộp giới hạn từ MAE, IoU đến GIoU, DIoU và CIoU, làm rõ lý do CIoU và GIoU giải quyết được các điểm nghẽn về hình học và tốc độ hội tụ khi tối ưu hóa tọa độ hộp bao.

Chương 3: Phương pháp thực nghiệm

Chương 3 mô tả tường tận kiến trúc nội tại của hai phương pháp được lựa chọn:

  • Hệ thống YOLOv4: Trình bày cấu trúc backbone CSPDarknet-53, cơ chế pooling đa tầng SPP, cấu trúc neck PANet sửa đổi và công thức chuyển đổi tọa độ hộp dự đoán từ anchor qua hàm sigmoid có hệ số dãn biên $\alpha > 1$. Phân tích ưu thế của hàm kích hoạt Mish trong việc tránh hiện tượng chết nơ-ron (dying ReLU) và tác dụng cân bằng thông tin batch của kỹ thuật tăng cường dữ liệu mosaic.
  • Hệ thống DETR: Phân tích quy trình biến đổi dữ liệu từ CNN backbone, qua lớp tích chập 1×1 giảm chiều, tới khối Transformer Encoder-Decoder và các object queries. Trình bày chi tiết giải thuật Hungary tìm ma trận hoán vị tối ưu $\hat{\sigma}$ trong bài toán gán cặp lưỡng phân, kèm theo công thức hàm chi phí ghép cặp $L_{match}$ và hàm mất mát Hungarian tổng hợp ($L_1$, $L_{GIoU}$, NLL có gán trọng số 0.1 cho nhãn nền).
  • Phân tích dữ liệu VisDrone DET: Thống kê phân bố 10 lớp nhãn, chỉ ra sự mất cân bằng dữ liệu nghiêm trọng khi hai lớp người đi bộ (pedestrian) và ô tô (car) chiếm phần lớn, trong khi 5 lớp (xe đạp, xe tải, xe ba bánh, xe ba bánh có mái, xe buýt) có tỷ lệ xuất hiện dưới 5% mỗi lớp.

Chương 4: Quá trình thực nghiệm và phân tích kết quả

Chương 4 ghi lại chi tiết các thiết lập tham số, quá trình huấn luyện và các kết quả định lượng:

  • Các thí nghiệm thăm dò trên DETR:
    • Positional Encoding: Khảo sát các biến thể mã hóa vị trí 2D cho mạng Transformer trên dữ liệu ảnh.
    • Tích hợp hàm mất mát khoảng cách: Áp dụng DIoU vào quá trình huấn luyện DETR ResNet-50 ghi nhận các mốc mAP@50 cao nhất lần lượt là 0.1225 và 0.1101.
    • Số lượng object query: DETR ResNet-101 khi nâng cấu hình từ 500 lên 1000 object queries đạt mAP@50 cực đại là 0.3095, đáp ứng mật độ xuất hiện dày đặc của vật thể không ảnh.
    • Nâng cấp backbone: DETR sử dụng backbone ResNet-101 đạt mAP@50 là 0.1613 trong các epoch đầu, vượt trội so với mức 0.1225 của ResNet-50.
    • Huấn luyện kéo dài (long training): DETR ResNet-101 huấn luyện dài hạn với 500 epoch ghi nhận tiến trình cải thiện độ chính xác mAP@50 qua các mốc 0.1613, 0.2947 và đạt mức cao nhất 0.3095.
  • Đánh giá so sánh và kết quả định tính: Đối sánh kết quả của YOLOv4 trên tập validation và test-dev so với các phương pháp cắt ảnh và phương pháp hàng đầu từ benchmark VisDrone. YOLOv4 đạt độ chính xác cạnh tranh nhưng vượt trội về tốc độ khung hình. Phân tích định tính hình ảnh trực quan hóa các hộp dự đoán (màu xanh lá) so với nhãn xác thực (màu đỏ) và các vùng bỏ qua (ignored region/others - màu trắng).

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết toàn bộ kết quả thực nghiệm đạt được từ hai mô hình YOLOv4 và DETR trên tập dữ liệu VisDrone DET. Tác giả chỉ ra các ưu nhược điểm cốt lõi của từng hướng tiếp cận khi triển khai trên không ảnh và đề xuất các giải pháp kỹ thuật cần hoàn thiện trong các nghiên cứu tiếp theo.

Kết quả và đóng góp

Khóa luận cung cấp các số liệu thực nghiệm định lượng chi tiết đối với việc chuyển giao các mô hình học sâu generic sang miền dữ liệu không ảnh:

Mô hình / Cấu hình thực nghiệm Thành phần Backbone Số lượng Object Queries Số Epoch mAP@50 cao nhất
DETR ResNet-50 (thử nghiệm DIoU) ResNet-50 Mặc định Tiêu chuẩn 0.1225
DETR ResNet-50 (cấu hình so sánh) ResNet-50 Mặc định Tiêu chuẩn 0.1101
DETR ResNet-101 (giai đoạn đầu) ResNet-101 500 150 0.1613
DETR ResNet-101 (huấn luyện dài hạn) ResNet-101 1000 300 0.2947
DETR ResNet-101 (huấn luyện 500 epoch) ResNet-101 1000 500 0.3095

Kết quả chính:

  • Khảo nghiệm chứng minh kiến trúc Transformer (DETR) đòi hỏi chu kỳ huấn luyện dài hạn để thích nghi với miền không ảnh. Trên backbone ResNet-101, độ chính xác mAP@50 tăng liên tục từ 0.1613 lên 0.2947 và đạt đỉnh 0.3095 sau 500 epoch.
  • Việc tăng số lượng object query từ 500 lên 1000 là yếu tố quyết định giúp DETR cải thiện khả năng phát hiện khi mật độ vật thể trong mỗi khung hình VisDrone rất cao.
  • YOLOv4 chứng minh khả năng cân bằng giữa độ chính xác và hiệu năng tính toán. Mô hình đạt độ chính xác tương đương các giải pháp phân cắt ảnh chuyên biệt (ClusDet, DMNet) nhưng duy trì tốc độ xử lý vượt trội, loại bỏ độ trễ của các mô-đun chia cắt trung gian.

Giải pháp và đề xuất của tác giả:

  • Đối với bài toán phát hiện đối tượng trên UAV cần tính toán thời gian thực, YOLOv4 kết hợp backbone CSPDarknet-53, neck SPP+PANet và hàm mất mát CIoU là lựa chọn tối ưu về mặt kiến trúc.
  • Khi áp dụng DETR cho ảnh độ phân giải cao có vật thể nhỏ, bắt buộc phải tăng số lượng object query (1000 queries) và kéo dài thời gian huấn luyện (tối thiểu 500 epoch) để mô hình hội tụ.

Đóng góp của khóa luận:

  • Xây dựng tài liệu học thuật tổng hợp, phân tích và đối sánh thực nghiệm chuyên sâu giữa hai cơ chế phát hiện đối tượng (dense anchor-based và sparse anchor-free transformer) trên miền dữ liệu không ảnh.
  • Đóng góp bộ trọng số đã được huấn luyện hoàn chỉnh của hai mô hình trên tập dữ liệu chuẩn VisDrone, phục vụ làm nền tảng tiền huấn luyện cho các tác vụ kế thừa trên UAV.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận nêu rõ các điểm giới hạn nội tại trong quá trình thực nghiệm:

  • DETR có tốc độ hội tụ rất chậm trên dữ liệu không ảnh, đòi hỏi chi phí phần cứng và thời gian huấn luyện rất lớn (cần tới 500 epoch để đạt mAP@50 là 0.3095), đồng thời vẫn gặp hạn chế nhất định ở các vật thể có kích thước cực nhỏ.
  • Mức độ mất cân bằng lớp của bộ dữ liệu VisDrone DET rất cao (người đi bộ và ô tô chiếm đa số, trong khi xe đạp, xe tải, xe ba bánh, xe ba bánh có mái, xe buýt đều dưới 5%), gây ảnh hưởng trực tiếp đến khả năng nhận diện các lớp có tần suất thấp.
  • Phạm vi nghiên cứu mới tập trung thực nghiệm trên tập dữ liệu ảnh tĩnh (VisDrone DET), chưa triển khai kiểm thử trên các bài toán video (VisDrone VID) hoặc theo dõi đối tượng (SOT, MOT).

Hướng phát triển tiếp theo được tác giả đề xuất:

  • Nghiên cứu áp dụng các cấu trúc Transformer cải tiến chuyên biệt nhằm rút ngắn thời gian hội tụ và tối ưu hóa khả năng định vị vật thể nhỏ.
  • Bổ sung các giải pháp kỹ thuật xử lý mất cân bằng dữ liệu cho 5 lớp đối tượng thiểu số.
  • Mở rộng mô hình sang bài toán xử lý chuỗi khung hình video liên tục và theo dõi đối tượng di động từ UAV.

Giá trị tham khảo

Khóa luận có giá trị tham khảo học thuật và ứng dụng thực tiễn rõ ràng:

  • Đối tượng sử dụng phù hợp: Sinh viên, học viên cao học chuyên ngành Khoa học Máy tính, Trí tuệ Nhân tạo, Kỹ thuật Dữ liệu đang nghiên cứu bài toán thị giác máy tính trên ảnh viễn thám hoặc ảnh chụp từ máy bay không người lái; các kỹ sư phát triển hệ thống giám sát giao thông thông minh thời gian thực.
  • Nội dung có giá trị tham khảo cao:
    • Chương 2 và Chương 3: Tài liệu tham khảo chuẩn xác về mặt toán học đối với các hàm mất mát hình học hiện đại (GIoU, DIoU, CIoU) và thuật toán Hungary trong bài toán gán cặp lưỡng phân.
    • Chương 4: Cung cấp các tham số cấu hình thực tế và đường cong học tập (learning curve) chi tiết khi huấn luyện DETR (ảnh hưởng của số query, loại backbone ResNet-50/101, và thời gian huấn luyện 500 epoch) trên tập dữ liệu đặc thù có độ phân giải cao.

Câu hỏi thường gặp

1. Điểm khác biệt cốt lõi giữa tập dữ liệu không ảnh VisDrone và tập dữ liệu thông thường MS-COCO là gì? Ảnh trong VisDrone có độ phân giải tối đa lên tới 2000×1500 điểm ảnh (trong khi MS-COCO dao động quanh mức 600×480 điểm ảnh). Không ảnh VisDrone có góc quay rộng ngoài trời, tỷ lệ diện tích của đối tượng rất nhỏ so với toàn cảnh nền, mật độ đối tượng dày đặc, bị che khuất nhiều và chịu hiện tượng mờ nhòe do chuyển động liên tục của thiết bị bay.

2. Kỹ thuật CSPNet trong backbone CSPDarknet-53 của YOLOv4 hoạt động như thế nào và đem lại lợi ích gì? Kỹ thuật Cross Stage Partial Network (CSPNet) chia bản đồ đặc trưng làm hai phần theo chiều kênh trước mỗi khối residual. Một nửa số kênh đi qua khối residual rồi ghép nối (concatenate) với nửa còn lại. Cải tiến này tạo thêm đường truyền gradient, giúp CSPDarknet-53 đạt độ chính xác tương đương Darknet-53 nhưng giảm được 34% số lượng tham số và giảm 30% số lượng phép tính toán.

3. Tại sao trong mô hình DETR, hàm mất mát Negative Log-Likelihood lại gán trọng số 0.1 cho lớp không có đối tượng (no object)? Do số lượng object queries của DETR được ấn định cố định (ví dụ 500 hoặc 1000) và luôn lớn hơn nhiều so với số lượng đối tượng thực tế trong một bức ảnh, phần lớn các dự đoán sẽ thuộc về lớp no object. Việc gán trọng số 0.1 cho lớp này giúp giải quyết hiện tượng mất cân bằng lớp nghiêm trọng giữa đối tượng cần phát hiện và vùng nền, giữ cho hàm chi phí ghép cặp và hàm độ lỗi Hungary được cân bằng.

4. Khóa luận ghi nhận kết quả mAP@50 cao nhất của mô hình DETR trên tập VisDrone là bao nhiêu và trong điều kiện huấn luyện nào? Mô hình DETR đạt kết quả mAP@50 cao nhất là 0.3095 khi sử dụng cấu hình backbone ResNet-101, thiết lập 1000 object queries và trải qua quá trình huấn luyện kéo dài 500 epoch.

5. Vì sao các phương pháp cắt ảnh (như ClusDet, DMNet) trong các nghiên cứu trước gặp khó khăn khi áp dụng vào thực tế? Các phương pháp cắt ảnh phải bổ sung thêm mô-đun phân chia khung hình thành các vùng nhỏ và chạy mô hình phát hiện lặp lại trên từng vùng đó. Quy trình phụ trợ này làm tăng khối lượng tính toán và giảm mạnh tốc độ xử lý khung hình (FPS), khiến mô hình không đáp ứng được yêu cầu phản hồi theo thời gian thực của các ứng dụng giám sát thực tế.

Kết luận

Khóa luận của hai tác giả Vũ Đình Vĩ Nghiêm và Lê Hoàng Ân đã thực hiện khảo sát và đánh giá thực nghiệm toàn diện hai kiến trúc học sâu đại diện YOLOv4 và DETR trên bài toán phát hiện đối tượng từ thiết bị bay không người lái với tập dữ liệu VisDrone DET. Nghiên cứu xác lập rõ sự đánh đổi kỹ thuật: YOLOv4 đáp ứng vượt trội về tốc độ xử lý thời gian thực với độ chính xác cạnh tranh, trong khi DETR đòi hỏi số lượng object query lớn (1000 queries) và thời gian huấn luyện dài (500 epoch) để thích ứng với bài toán dự đoán tập hợp trên không ảnh. Công trình cung cấp tài liệu tham khảo có độ chính xác cao về mặt lý thuyết giải thuật và đóng góp bộ trọng số đã huấn luyện sẵn phục vụ việc phát triển các ứng dụng kế thừa trong lĩnh vực thị giác máy tính.