Đề án áp dụng học tự giám sát cải thiện phân loại bệnh thực vật tại Học viện Công nghệ Bưu chính Viễn thông

Nghiên cứu áp dụng học tự giám sát nhằm cải thiện hiệu quả phân loại bệnh thực vật trong điều kiện thiếu dữ liệu gán nhãn tại Học viện Bưu chính Viễn thông.

• Tác giả: Lương Đức Thuận
• Người hướng dẫn: TS. Hoàng Văn Thành
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu áp dụng học tự giám sát cải thiện phân loại bệnh thực vật trong điều kiện thiếu dữ liệu gán nhãn
• Loại tài liệu: Đề án tốt nghiệp thạc sĩ kỹ thuật
• Năm xuất bản: 2025
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan áp dụng học tự giám sát phân loại bệnh thực vật

Thị giác máy tính giữ vai trò then chốt trong nông nghiệp thông minh hiện đại. Công nghệ hỗ trợ tự động hóa giám sát sức khỏe cây trồng trên diện rộng. Phương pháp phát hiện sớm mầm bệnh giúp giảm thiểu rủi ro kinh tế cho nông dân. Nhiều nghiên cứu học sâu đã chứng minh năng lực chẩn đoán hình ảnh vượt trội. Hệ thống nhận diện dấu hiệu tổn thương trên phiến lá rất hiệu quả. Tuy nhiên, các kiến trúc học có giám sát truyền thống đòi hỏi kho dữ liệu gán nhãn đồ sộ. Việc gán nhãn chính xác từng vùng bệnh cần chuyên gia giàu kinh nghiệm. Chi phí nhân lực và thời gian thực hiện quy trình này rất tốn kém. Trong bối cảnh đó, nghiên cứu từ Học viện Công nghệ Bưu chính Viễn thông năm 2025 đề xuất giải pháp mới. Đề tài tập trung áp dụng học tự giám sát vào phân loại bệnh thực vật. Mô hình khai thác lượng lớn hình ảnh không gán nhãn thu thập ngoài tự nhiên. Kỹ thuật này tái cấu trúc không gian biểu diễn đặc trưng một cách tự nhiên. Hệ thống giảm đáng kể sự phụ thuộc vào nhãn thủ công. Đây là bước tiến quan trọng cho nông nghiệp chính xác.

1.1. Vai trò của thị giác máy tính trong chẩn đoán bệnh nông nghiệp

Thị giác máy tính mang lại khả năng quan sát vượt trội so với mắt thường. Công nghệ quét hình ảnh lá cây liên tục để phát hiện vết bệnh từ giai đoạn sớm. Các thuật toán xử lý dữ liệu quang học để nhận diện tổn thương tế bào. Hệ thống tự động phân loại mức độ nhiễm nấm, vi khuẩn hoặc virus trên từng cây. Tốc độ xử lý dữ liệu tức thì hỗ trợ đưa ra quyết định phun thuốc chuẩn xác. Điều này giúp giảm lượng hóa chất bảo vệ thực vật độc hại ra môi trường. Năng suất nông sản duy trì ổn định nhờ việc khoanh vùng dịch hại chuẩn xác. Công nghệ tạo nền tảng vững chắc cho quy trình canh tác thông minh.

1.2. Định hướng tiếp cận học tự giám sát tại đề án PTIT 2025

Đề án thạc sĩ tại PTIT năm 2025 xác định mục tiêu làm chủ học tự giám sát. Nghiên cứu hướng đến việc tối ưu hóa biểu diễn đặc trưng thị giác từ dữ liệu không nhãn. Tác giả xây dựng quy trình tiền huấn luyện trên các tập dữ liệu mở rộng lớn. Mô hình tự thiết lập các bài toán phụ nhằm nắm bắt cấu trúc hình thái của vết bệnh. Quá trình này không đòi hỏi can thiệp thủ công từ chuyên gia thực vật. Sau đó, hệ thống chỉ cần lượng nhỏ ảnh có nhãn để tinh chỉnh phân loại. Giải pháp giúp tiết kiệm tối đa chi phí gán nhãn phức tạp. Mô hình đạt hiệu quả vượt bậc trên các bài toán thực nghiệm.

II. Thách thức thiếu dữ liệu gán nhãn trong phân loại bệnh thực vật

Mô hình học sâu truyền thống thường phụ thuộc vào các tập dữ liệu gán nhãn chi tiết. Tuy nhiên, việc thu thập dữ liệu bệnh cây trồng ngoài thực địa gặp rất nhiều trở ngại. Ảnh chụp thực tế chứa nhiều yếu tố gây nhiễu phức tạp. Điều kiện ánh sáng thay đổi thất thường theo thời tiết. Cành lá đan xen tạo ra bóng râm che khuất triệu chứng bệnh. Góc chụp không cố định khiến hình dạng tổn thương biến dạng liên tục. Thêm vào đó, việc phân biệt các loại bệnh có triệu chứng tương đồng đòi hỏi chuyên môn thực vật học sâu sắc. Chi phí thuê chuyên gia dán nhãn thủ công vượt quá ngân sách dự án. Khi huấn luyện trên tập mẫu nhỏ, mô hình dễ rơi vào tình trạng quá khớp. Mạng nơ-ron ghi nhớ mẫu ảnh cũ thay vì học quy luật bệnh học tổng quát. Khi đưa ra môi trường thực địa, độ chính xác của hệ thống sụt giảm nghiêm trọng. Nút thắt này cản trở quá trình triển khai công nghệ vào thực tế sản xuất.

2.1. Chi phí và rào cản kỹ thuật khi gán nhãn dữ liệu thực địa

Dán nhãn bệnh thực vật không phải là công việc của lao động phổ thông. Nhiệm vụ đòi hỏi các chuyên gia bệnh học có kiến thức chuyên sâu. Mỗi loại cây trồng bị tấn công bởi hàng chục loại mầm bệnh khác nhau. Triệu chứng ban đầu của bệnh nấm và thiếu chất thường rất giống nhau. Chuyên gia phải soi từng milimet ảnh để khoanh vùng tổn thương chính xác. Tốc độ gán nhãn thủ công diễn ra chậm và dễ xuất hiện sai sót. Đối với trang trại lớn, ngân sách gán nhãn hàng trăm nghìn mẫu là gánh nặng. Sự thiếu hụt chuyên gia tạo ra khoảng trống dữ liệu chuẩn cực kỳ lớn.

2.2. Vấn đề quá khớp và suy giảm độ chính xác trên môi trường thực tế

Dữ liệu phòng thí nghiệm thường có phông nền sạch và ánh sáng hoàn hảo. Khi huấn luyện trên nguồn dữ liệu này, mô hình đạt độ chính xác rất cao. Tuy nhiên, môi trường nông nghiệp thực địa luôn tồn tại nhiều biến số phức tạp. Lá cây bị che khuất bởi đất đá, cỏ dại hoặc giọt sương mai. Nền đất và côn trùng gây nhiễu loạn các lớp tích chập của mạng nơ-ron. Mô hình khó phân biệt vết bệnh thật với bóng đổ của cành cây. Hiện tượng quá khớp làm tỷ lệ dự đoán sai tăng vọt ngoài đồng ruộng. Độ tin cậy sụt giảm khiến giải pháp khó đưa vào sản xuất.

III. Phương pháp học tự giám sát giải quyết bài toán thiếu dữ liệu

Học tự giám sát mở ra hướng giải quyết triệt để cho bài toán thiếu nhãn. Phương pháp chia quy trình huấn luyện thành hai giai đoạn hoàn toàn độc lập. Giai đoạn đầu tiên tập trung tiền huấn luyện trên lượng lớn dữ liệu không nhãn. Mạng nơ-ron học cách nắm bắt cấu trúc qua các nhiệm vụ tự kiến tạo. Thuật toán so sánh sự tương đồng giữa các biến thể tăng cường của ảnh. Quá trình này giúp bộ trích xuất hiểu rõ bản chất tổn thương sinh học. Mạng loại bỏ thành công ảnh hưởng của nền phức tạp ngoài đồng ruộng. Giai đoạn thứ hai tinh chỉnh mô hình với lượng nhỏ dữ liệu gán nhãn chuẩn. Nghiên cứu khai thác các bộ dữ liệu thực địa như FieldPlant, PlantSeg và PlantWild. Đây là các tập dữ liệu quy mô lớn phản ánh môi trường tự nhiên. Kiến trúc mạng được tối ưu hóa nhằm duy trì độ nhẹ và tốc độ. Mô hình đạt hiệu quả cao mà không cần phần cứng quá đắt đỏ.

3.1. Cơ chế tiền huấn luyện tự giám sát và tinh chỉnh mô hình

Cơ chế học tương phản đóng vai trò cốt lõi trong pha tiền huấn luyện. Mô hình tiếp nhận các phiên bản biến đổi của cùng một bức ảnh. Thuật toán tối ưu hàm mất mát để kéo gần biểu diễn đặc trưng. Biểu diễn của các bức ảnh khác nhau bị đẩy ra xa nhau. Nhờ đó, mạng tích chập nắm bắt sâu sắc hình dạng và màu sắc bệnh. Khi bước vào pha tinh chỉnh, hệ thống kế thừa trọn vẹn trọng số này. Chỉ cần lượng nhỏ dữ liệu có nhãn, bộ phân loại hội tụ rất nhanh. Giải pháp ngăn chặn triệt để nguy cơ quá khớp dữ liệu. Độ chính xác tổng thể được nâng cấp rõ rệt.

3.2. Khai thác các bộ dữ liệu thực địa PlantWild PlantSeg và FieldPlant

Nghiên cứu phối hợp ba bộ dữ liệu thực địa có giá trị khoa học cao. PlantWild cung cấp kho dữ liệu lớn với nhiều loài cây và lớp bệnh khác nhau. Mức độ mất cân bằng lớp cao giúp kiểm chứng độ bền vững của mô hình. Bộ dữ liệu PlantSeg bổ sung thông tin phân vùng vết bệnh vô cùng chi tiết. FieldPlant mang đến hơn năm nghìn bức ảnh chụp trực tiếp ngoài đồng ruộng. Bộ mẫu bao gồm hơn tám nghìn lá cây được chuyên gia kiểm định cẩn trọng. FieldPlant phản ánh chân thực các yếu tố nhiễu nền tự nhiên. Sự kết hợp này tạo môi trường hoàn hảo để rèn luyện thuật toán.

IV. Kết luận và triển vọng ứng dụng phân loại bệnh thực vật PTIT

Đề án tốt nghiệp thạc sĩ tại PTIT năm 2025 mở ra hướng đi đột phá. Việc ứng dụng học tự giám sát đã giải quyết bài toán thiếu dữ liệu nhãn. Mô hình đạt độ chính xác chẩn đoán vượt trội trên dữ liệu thực địa. Kiến trúc mạng nơ-ron được tối ưu gọn nhẹ, duy trì tốc độ phản hồi rất nhanh. Giải pháp có tiềm năng tích hợp trên thiết bị biên và điện thoại thông minh. Người sản xuất dễ dàng quét hình ảnh lá bệnh trực tiếp tại vườn. Hệ thống đưa ra cảnh báo và phác đồ xử lý mầm bệnh kịp thời. Điều này hạn chế tối đa việc lạm dụng thuốc bảo vệ thực vật. Hệ sinh thái đất và nguồn nước được bảo vệ an toàn. Trong tương lai, quy trình có thể mở rộng trên nhiều loại cây trồng nhiệt đới. Công trình tại PTIT khẳng định giá trị thực tiễn của công nghệ mới.

4.1. Khả năng triển khai mô hình học sâu trên các thiết bị biên

Các thiết bị di động ngoài đồng ruộng thường có phần cứng hạn chế. Mô hình đề xuất được thiết kế theo hướng tinh giản dung lượng tối đa. Mạng nơ-ron giảm thiểu tham số mà vẫn giữ khả năng nhận diện sắc bén. Thời gian suy luận trên mỗi khung hình đạt mức mili giây. Chương trình vận hành mượt mà trên chip nhúng camera hoặc điện thoại. Hệ thống không cần duy trì kết nối mạng liên tục về máy chủ. Người làm nông dễ dàng chẩn đoán dịch bệnh tại những nơi hẻo lánh. Đây là tiền đề cốt lõi để thương mại hóa sản phẩm rộng rãi.

4.2. Tác động của nghiên cứu đối với nông nghiệp chính xác bền vững

Nghiên cứu mang lại đóng góp thiết thực cho nền nông nghiệp tương lai. Việc phát hiện mầm bệnh chuẩn xác giúp khoanh vùng ổ dịch nhanh chóng. Thay vì phun thuốc tràn lan, người canh tác chỉ xử lý các cây nhiễm bệnh. Lượng hóa chất ngấm vào đất và nguồn nước giảm đi rõ rệt. Chi phí vật tư nông nghiệp hạ thấp, giúp gia tăng lợi nhuận kinh tế. Chất lượng nông sản được nâng cao, đáp ứng hoàn toàn các tiêu chuẩn an toàn. Mô hình thúc đẩy quá trình chuyển đổi số nông nghiệp nhanh hơn. Trí tuệ nhân tạo trở thành trợ thủ đắc lực cho nhà nông.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN PHÂN LOẠI BỆNH THỰC VẬT TRONG ĐIỀU KIỆN THIẾU DỮ LIỆU GÁN NHÃN 1. Thị giác máy tính và vai trò trong nông nghiệp chính xác 1. Tổng quan về giám sát và chẩn đoán bệnh cây trồng tự động Trong những năm gần đây, việc triển khai các hệ thống giám sát và chẩn đoán bệnh tự động trở thành một yêu cầu cấp thiết. Các hệ thống này cho phép theo dõi tình trạng của cây trồng theo thời gian thực trên quy mô lớn, đảm bảo khả năng phát hiện sớm các bệnh trên cây trồng ngay từ giai đoạn khởi phát, khi các dấu hiệu còn mờ nhạt đối với mắt thường.

Khả năng vận hành liên tục và độ tin cậy cao của máy móc giúp loại bỏ các sai số do yếu tố tâm lý hay sự mệt mỏi của con người, cung cấp cơ sở dữ liệu chính xác để kích hoạt các quy trình can thiệp kịp thời. Hình 1: Minh hoạ ứng dụng thị giác máy tính trong nông nghiệp 1. Ứng dụng của thị giác máy tính và học sâu trong nhận diện bệnh thực vật Sự tích hợp của thị giác máy tính vào lĩnh vực bệnh học cây trồng đã trải qua một bước tiến hóa mang tính nền tảng, chuyển dịch từ các kỹ thuật xử lý ảnh sang 5 các mô hình học sâu mới. Trong giai đoạn đầu, các phương pháp nhận diện chủ yếu sử dụng việc trích xuất đặc trưng thủ công, nơi các kỹ sư phải thiết kế các thuật toán để định lượng các thuộc tính vật lý như màu sắc, kết cấu bề mặt hay hình dạng hình học của vết bệnh.

Mặc dù các phương pháp này đạt được nhiều thành công trong điều kiện phòng thí nghiệm với phông nền đơn giản, chúng thường bộc lộ sự kém hiệu quả khi đối mặt với sự phức tạp của môi trường trong tự nhiên, nơi các yếu tố như nhiễu nền, ánh sáng thay đổi hay sự chồng chéo của tán lá làm sai lệch các đặc trưng đã được thiết kế sẵn. Sự ra đời của mạng nơ-ron tích chập sâu đã khắc phục phần nào hạn chế này bằng cơ chế học biểu diễn phân cấp, cho phép hệ thống tự động khám phá và tối ưu hóa các đặc trưng được trích xuất từ dữ liệu thô mà không cần sự can thiệp của con người trong giai đoạn trích xuất đặc trưng. Sức mạnh của các mô hình học sâu nằm ở khả năng mô phỏng cơ chế thị giác sinh học thông qua hàng loạt các lớp tính toán phi tuyến. Tại các tầng thấp, mạng nơ- ron học cách nhận biết các cấu trúc cơ bản như cạnh, góc và sự chuyển tiếp màu sắc.

Khi thông tin đi qua các tầng sâu hơn, các cấu trúc này được tổng hợp thành các đặc trưng ngữ nghĩa phức tạp hơn như đốm bệnh, vết hoại tử hay cấu trúc gân lá biến dị. Khả năng trừu tượng hóa thông tin này cho phép các kiến trúc mạng hiện đại như Residual Networks hay EfficientNet phân biệt chính xác các loại bệnh có triệu chứng hình thái tương đồng, thậm chí phân biệt được các giai khác nhau của cùng một bệnh. Việc áp dụng các kiến trúc tiên tiến này đã nâng độ chính xác của các hệ thống chẩn đoán lên mức tương đương hoặc thậm chí vượt trội hơn so với đánh giá của chuyên gia trong một số tác vụ cụ thể. Ngày nay, sự thành công của phương pháp học giám sát truyền thống hiện nay đang phụ thuộc chặt chẽ vào số lượng và chất lượng của dữ liệu huấn luyện có nhãn.

Để đạt được độ chính xác cao và khả năng tổng quát hóa tốt, các mô hình học sâu đòi hỏi hàng nghìn, thậm chí hàng triệu hình ảnh mẫu đã được các chuyên gia nông học định danh chính xác. Yêu cầu khắt khe này tạo ra một rào cản vô hình trong việc triển khai công nghệ đối với các loại cây trồng mới hoặc các bệnh dịch hiếm gặp, nơi dữ liệu thu thập được thường rất hạn chế và rời rạc. Chính thách thức về sự phụ thuộc vào dữ liệu nhãn đã thúc đẩy cộng đồng nghiên cứu chuyển hướng sang khai thác các 6 phương pháp học tập tiên tiến hơn, nhằm tận dụng tốt các nguồn hình ảnh khổng lồ chưa được gán nhãn đang tồn tại trong thực tế sản xuất. Tổng quan bài toán phân loại bệnh thực vật trong điều kiện thiếu dữ liệu gán nhãn 1.

Thực trạng khan hiếm dữ liệu gán nhãn chất lượng cao trong thực tế Trong bài toán phân loại bệnh thực vật, khái niệm dữ liệu chất lượng cao không chỉ dừng lại ở độ phân giải hình ảnh mà còn nằm ở độ chính xác của nhãn dữ liệu. Quy trình gán nhãn cho các tập dữ liệu bệnh cây trồng phức tạp hơn rất nhiều so với các tác vụ nhận diện vật thể thông thường. Công việc này đòi hỏi sự tham gia trực tiếp từ các chuyên gia nông học hoặc những người có nhiều năm kinh nghiệm và kiến thức chuyên môn sâu để có thể phân biệt chính xác các triệu chứng bệnh lý, vốn thường có sự tương đồng cao về hình thái giữa các chủng bệnh khác nhau hoặc biến thiên mạnh mẽ theo từng thời kì, từng giai đoạn phát triển của cây. Sự phụ thuộc vào nhân lực chuyên gia khiến cho chi phí gán nhãn tăng cao, tốn kém nhiều thời gian và khó thực hiện, dẫn đến tình trạng khan hiếm dữ liệu định danh nghiêm trọng đối với các loại cây trồng bản địa hoặc các loại bệnh hiếm gặp.

Hình 2: Số mẫu tập dữ liệu plantdoc cho thấy sự mất cân bằng dữ liệu 7 Bên cạnh vấn đề về nhân lực, tính chất phức tạp và nhiễu loạn của môi trường thực tế cũng làm trầm trọng thêm sự thiếu hụt dữ liệu đạt chuẩn. Các hình ảnh thu thập ngoài tự nhiên thường chịu tác động bởi ngoại cảnh như phông nền phức tạp chứa nhiều đất đá, cỏ dại, điều kiện ánh sáng thay đổi hoặc sự che khuất giữa các tầng lá. Trong khi đó, phần lớn các bộ dữ liệu công khai hiện có thường được thu thập trong môi trường tiêu chuẩn có sự kiểm soát với phông nền đơn giản. Sự chênh lệch về phân phối dữ liệu này khiến cho nguồn dữ liệu gán nhãn sẵn có không phản ánh đúng thực tế sản xuất.

Hơn nữa, hiện tượng mất cân bằng dữ liệu tự nhiên, nơi số lượng mẫu của các cây khỏe mạnh hoặc các bệnh phổ biến áp đảo hoàn toàn so với các bệnh nguy hiểm nhưng ít gặp, càng khiến cho việc xây dựng một bộ dữ liệu huấn luyện có tính cân bằng và đại diện trở thành một trong những thách thức lớn đối với cộng đồng nghiên cứu. Tác động của thiếu dữ liệu đến hiệu suát của mô hình Vấn đề thiếu hụt dữ liệu gán nhãn tác động trực tiếp đến cơ chế học tập của các mạng nơ-ron tích chập sâu, dẫn đến hệ quả kỹ thuật điển hình là hiện tượng quá khớp. Về mặt lý thuyết, các mô hình học sâu hiện đại thường sở hữu hàng triệu tham số tự do, tạo nên một không gian giả thuyết vô cùng lớn để xấp xỉ các hàm phi tuyến phức tạp. Để mô hình có thể hội tụ về một giải pháp tối ưu đại diện cho bản chất của dữ liệu, lượng mẫu huấn luyện cần thiết phải tương xứng với độ phức tạp của mạng.

Khi số lượng mẫu huấn luyện quá ít so với năng lực biểu diễn của mô hình nó có xu hướng học thuộc lòng các đặc điểm nhiễu ngẫu nhiên hoặc các chi tiết nền không liên quan thay vì trích xuất các quy luật bệnh học cốt lõi. Trong trường hợp này, mô hình hoạt động như một bộ nhớ máy móc, đạt độ chính xác cao trên dữ liệu huấn luyện nhưng lại thất bại trong việc đưa ra dự đoán đúng đối với các dữ liệu mới chưa nhìn thấy. Sự hạn chế về dữ liệu ảnh hưởng nghiêm trọng đến biên quyết định giữa các lớp bệnh. Trong không gian đặc trưng đa chiều, khi số lượng mẫu hỗ trợ thưa thớt, mô hình sẽ thiết lập các ranh giới phân loại dựa trên những đặc điểm cục bộ thiếu tính đại diện.

Đối với bài toán phân loại bệnh thực vật mô hình có thể nhận diện sai lệch dựa trên các yếu tố ngoại cảnh như màu sắc đất, bóng râm hoặc góc chụp thay 8 vì dựa trên hình thái vết bệnh thực sự. Ví dụ, nếu tập dữ liệu huấn luyện chỉ chứa hình ảnh lá bệnh đốm đen được chụp trong điều kiện trời nắng, mô hình có nguy cơ cao sẽ gán nhãn sai cho các lá khỏe mạnh được chụp trong điều kiện tương tự, hoặc bỏ sót các lá bệnh được chụp trong điều kiện trời râm. Sự phụ thuộc vào các tương quan giả này làm giảm chất lượng của hệ thống chẩn đoán khi triển khai trong môi trường canh tác thực tế đa dạng. Hình 3: Underfit, Optimal, Overfit Khả năng tổng quát hóa kém là hệ quả tất yếu của việc mô hình học trên các dữ liệu hạn chế, khiến mô hình trở nên mong manh trước sự thay đổi của miền dữ liệu.

Một hệ thống chẩn đoán lý tưởng cần phải có khả năng trích xuất được các đặc trưng bất biến, nghĩa là các đặc điểm nhận dạng bệnh phải không thay đổi bất chấp các biến thiến về điều kiện thu thập ảnh. Tuy nhiên, khi dữ liệu gán nhãn khan hiếm, mô hình không có đủ cơ hội tiếp xúc với các biến thể đa dạng của cùng một loại bệnh để học được tính bất biến này. Kết quả là hiệu suất của mô hình sẽ sụt giảm mạnh khi có sự chênh lệch phân phối giữa dữ liệu huấn luyện và dữ liệu kiểm thử thực tế. Đây là thách thức lớn nhất ngăn cản việc chuyển giao các mô hình từ phòng thí nghiệm ra tự nhiên, đặt ra yêu cầu cấp thiết về việc tìm kiếm các phương pháp học tập mới có khả năng khai thác tri thức từ nguồn dữ liệu không nhãn để bù đắp cho sự thiếu hụt dữ liệu giám sát.

Bài toán phân loại bệnh thực vật trong điều kiện thiếu dữ liệu gán nhãn Bài toán phân loại bệnh thực vật trong điều kiện thiếu dữ liệu gán nhãn không chỉ đơn giản là một thách thức về kỹ thuật, mà là một vấn đề nan giải liên quan đến việc tối ưu hóa không gian biểu diễn đặc trưng trong bối cảnh thông tin giám sát thưa thớt. Về bản chất, đây là việc tìm kiếm một hàm ánh xạ phi tuyến từ không gian hình ảnh nhiều chiều sang không gian nhãn bệnh học, sao cho hàm số này vẫn giữ được độ chính xác cao trên các mẫu chưa từng gặp dù chỉ được huấn luyện trên một tập mẫu hỗ trợ cực kỳ hạn chế.