Giới thiệu dự án
Phát hiện đối tượng có hướng (Oriented Object Detection - OOD) trong ảnh viễn thám và không ảnh từ thiết bị bay không người lái (UAV/Drone) đóng vai trò then chốt trong nhiều lĩnh vực như giám sát giao thông đô thị, quản lý cảng biển, quy hoạch không gian địa lý và cứu nạn cứu hộ. Khác với bài toán phát hiện đối tượng theo trục ngang truyền thống (Horizontal Bounding Box - HBB), OOD đòi hỏi mô hình phải dự đoán hộp giới hạn có hướng (Rotated Bounding Box - RBB hoặc Oriented Bounding Box - OBB) chứa chính xác tọa độ tâm, kích thước chiều dài, chiều rộng và góc xoay $\theta$ tương ứng của thực thể.
+-------------------------------------------------------------------------+
| KHÓA LUẬN TỐT NGHIỆP KHOA HỌC MÁY TÍNH |
| Đề tài: Huấn luyện động trên các phương pháp phát hiện đối tượng có |
| hướng hai giai đoạn |
| Sinh viên thực hiện: Ngô Văn Tấn Lưu, Trương Thành Thắng |
| Giảng viên hướng dẫn: ThS. Võ Duy Nguyên |
| Đơn vị: Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (UIT-VNUHCM) |
+-------------------------------------------------------------------------+
Bối cảnh và Thách thức Thực tế
Trong ảnh chụp từ trên không, các đối tượng mang những đặc thù hình học phức tạp gây suy giảm nghiêm trọng độ chính xác của các mạng nơ-ron tích chập (Convolutional Neural Networks - CNN):
- Phân bố góc xoay đa dạng và mật độ dày đặc: Các đối tượng như phương tiện giao thông (Small Vehicle, Large Vehicle), tàu thuyền (Ships) neo đậu san sát nhau với mọi góc xoay ngẫu nhiên từ $0^\circ$ đến $360^\circ$.
- Tỷ lệ khung hình cực đoan (Extreme Aspect Ratio): Các mục tiêu dạng thuôn dài như cầu cảng, tàu thủy, đường băng sân bay có tỷ lệ chiều dài/chiều rộng vượt quá $10:1$.
- Nhiễu nền không gian phức tạp: Thực thể dễ bị che khuất hoặc hòa lẫn vào phông nền tự nhiên như tán cây, đồi núi, mặt biển gợn sóng và bóng râm đô thị.
Vấn đề Cốt lõi (Problem Statement)
Các bộ phát hiện hai giai đoạn (Two-Stage Detectors) tiên tiến như RoI Transformer, ReDet và Oriented R-CNN thường áp dụng chiến lược gán nhãn cố định (Static Label Assignment) bằng một ngưỡng giao diện trên diện tích hợp (Intersection over Union - IoU) cứng nhắc (thường là $0.5$) cùng hàm mất mát hồi quy có siêu tham số bất biến suốt quá trình tối ưu hóa:
- Thiếu tính thích ứng phân bố: Ở các epoch đầu, chất lượng vùng đề xuất (Proposals) sinh ra từ mạng RPN/Oriented RPN còn rất thấp. Việc áp dụng ngưỡng IoU tĩnh quá cao dẫn đến tình trạng thiếu hụt mẫu dương (Positive Samples), khiến gradient bị triệt tiêu và mạng học chậm.
- Kìm hãm mẫu chất lượng cao ở giai đoạn sau: Khi mô hình đã hội tụ một phần, phần lớn proposals đạt IoU cao. Nếu giữ nguyên ngưỡng thấp, mô hình sẽ nạp vào nhiều mẫu dương kém chất lượng (False Positives dạng biên rộng), gây nhiễu và làm bão hòa khả năng phân biệt hình học chính xác.
- Mất cân bằng hồi quy hình học: Hàm mất mát $\text{Smooth}_{L1}$ với siêu tham số $\beta$ cố định không thể điều tiết tối ưu giữa độ phạt tuyến tính ($L_1$) cho sai số lớn và độ phạt bậc hai ($L_2$) cho sai số nhỏ khi chất lượng phân bố offset thay đổi theo thời gian.
STATIC TRAINING DYNAMIC TRAINING (PROPOSED)
+---------------------------+ +------------------------------------+
| Fixed IoU Threshold (0.5) | | DLA: IoU Threshold T_now = Mean(S_I)|
| Fixed SmoothL1 beta (1.0) | ====> | DSL: Loss Beta beta_now = Med(S_E) |
| Fixed Hyperparameters | | Adaptive Sample Dynamic Feedback |
+---------------------------+ +------------------------------------+
Mục tiêu Nghiên cứu
- Khảo sát toàn diện: Đánh giá cơ chế hoạt động của các bộ phát hiện OOD hai giai đoạn hàng đầu (Oriented R-CNN, RoI Transformer, ReDet) cùng các hàm mất mát góc xoay chuyên dụng (GWD, KFIoU, SmoothL1).
- Tích hợp mô-đun Huấn luyện Động (Dynamic Training): Thiết kế và cài đặt kiến trúc Dynamic RoI Head kết hợp hai mô-đun cốt lõi: Dynamic Label Assignment (DLA) và Dynamic SmoothL1 (DSL) vào giai đoạn hai của các mô hình phát hiện OBB.
- Đánh giá thực nghiệm: Kiểm chứng định lượng trên hai tập dữ liệu benchmark chuẩn quốc tế gồm DOTA-v1.0 (15 lớp đối tượng hàng không) và HRSC2016 (nhận diện tàu thuyền độ phân giải cao).
- Phân tích siêu tham số và hàm lỗi: Làm rõ ảnh hưởng của chu kỳ cập nhật $C$, tham số $K_I, K_R$ và khả năng phối hợp tối ưu giữa DLA với các hàm tổn thất Gaussian Distance.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Phương pháp |
Loại kiến trúc |
Đặc điểm cốt lõi |
Ưu điểm |
Nhược điểm / Hạn chế |
| RoI Transformer |
Two-Stage OOD |
RRoI Learner + Rotated Position Sensitive RoI Align |
Tự động chuyển đổi HRoI thành RRoI thông qua học bù lệch góc |
Chi phí trích xuất đặc trưng lớn, gán nhãn phụ thuộc IoU cố định |
| ReDet |
Two-Stage OOD |
Rotation-Equivariant CNN + RiRoI Align |
Đảm bảo tính bất biến xoay và tương đương xoay trong không gian đặc trưng |
Cấu trúc mạng phức tạp, tốn tài nguyên tính toán |
| Oriented R-CNN |
Two-Stage OOD |
Oriented RPN với biểu diễn Midpoint Offset |
Sinh trực tiếp proposal có hướng chất lượng cao với chi phí $O(1)$ |
Giai đoạn hai Oriented R-CNN Head bị giới hạn bởi ngưỡng IoU tĩnh |
| Cascade R-CNN |
Multi-Stage |
Chuỗi các RoI Heads với ngưỡng IoU tăng dần |
Tăng dần chất lượng mẫu, chống overfitting tại IoU cao |
Tăng gấp nhiều lần tham số mô hình và độ trễ inference |
| ATSS |
One/Two-Stage |
Tự động tính ngưỡng phân tách dựa trên $\mu + \sigma$ của IoU |
Thích ứng thống kê cục bộ theo từng tầng FPN |
Chỉ phân loại mẫu, không tự thích ứng hàm mất mát hồi quy bounding box |
Yêu cầu hệ thống (MoSCoW Prioritization)
- Must Have: Mô-đun DLA tự động điều chỉnh ngưỡng phân loại mẫu $T_{now}$ dựa trên top-$K_I$ proposals; Mô-đun DSL tự động điều chỉnh siêu tham số $\beta_{now}$ dựa trên sai số trung vị top-$K_R$; Tương thích chuẩn kiến trúc 2-stage detector.
- Should Have: Hỗ trợ đầy đủ các hàm tổn thất khoảng cách Gaussian hiện đại như GWD (Gaussian Wasserstein Distance) và KFIoU (Kalman Filter Skew IoU).
- Could Have: Tối ưu hóa chu kỳ cập nhật $C$ để giảm tải chi phí tính toán thống kê trong bộ nhớ GPU.
- Won't Have: Không can thiệp làm thay đổi cấu trúc mạng khi Inference, đảm bảo độ phức tạp thời gian khi chạy thực tế (Latency) không đổi so với mô hình gốc.
Thiết kế hệ thống
Kiến trúc tổng thể của hệ thống phát hiện đối tượng có hướng hai giai đoạn tích hợp huấn luyện động được minh họa qua sơ đồ khối dưới đây:
+---------------------------------------------------------------------------------+
| INPUT IMAGE |
+---------------------------------------------------------------------------------+
|
v
+---------------------------------------------------------------------------------+
| BACKBONE & FPN (Feature Pyramid Network) |
| ResNet-50 / ReResNet-50 + Multi-Scale Features |
+---------------------------------------------------------------------------------+
|
+-------------------+-------------------+
| |
v v
+------------------------------------+ +------------------------------------+
| STAGE 1: STANDARD / ORIENTED RPN | | GROUND TRUTH ANNOTATIONS |
| - Generates Horizontal / Oriented | | - Oriented Boxes: (x, y, w, h, θ)|
| Proposals (HP / Midpoint Offset)| | - Horizontal Projections (HG) |
+------------------------------------+ +------------------------------------+
| |
+-------------------+-------------------+
|
v
+---------------------------------------------------------------------------------+
| DYNAMIC ORIENTED RoI HEAD (STAGE 2) |
| |
| [Module 1: Dynamic Label Assignment (DLA)] |
| - Input: Matched IoUs between Proposals and HG |
| - Compute Top-K_I IoU values per image |
| - Update IoU threshold every C iterations: T_now = Mean(S_I) |
| - Separate Positive Proposals (IoU >= T_now) & Negatives (IoU < T_now) |
| |
| [Feature Extraction] |
| - RoI Transformer / RiRoIAlign / Rotated RoIAlign |
| |
| [Module 2: Dynamic SmoothL1 Loss (DSL)] |
| - Record Top-K_R smallest coordinate regression offsets |
| - Update loss transition parameter: beta_now = Median(S_E) |
| - Compute SmoothL1 Regression Loss with dynamic beta_now |
| |
| [Angle / Gaussian Loss Integration] |
| - GWD / KFIoU / Rotated Cross-Entropy Classification |
+---------------------------------------------------------------------------------+
|
v
+---------------------------------------------------------------------------------+
| FINAL OUTPUT: ORIENTED BOUNDING BOXES |
| Classes + Precise Oriented Coordinates (x, y, w, h, θ) |
+---------------------------------------------------------------------------------+
Biểu diễn Midpoint Offset Representation (Oriented R-CNN)
Oriented R-CNN biểu diễn một bounding box nghiêng bất kỳ thông qua vector 6 tham số:
$$O = (x, y, w, h, \Delta\alpha, \Delta\beta)$$
Trong đó $(x, y, w, h)$ là tâm, chiều rộng và chiều cao của hình chữ nhật bao ngoài trục ngang, $\Delta\alpha = \delta_{\alpha} \cdot w$ và $\Delta\beta = \delta_{\beta} \cdot h$ lần lượt là khoảng dịch chuyển giữa các đỉnh của hình chữ nhật xoay so với trung điểm các cạnh hình chữ nhật ngang.
Công thức toán học Dynamic Label Assignment (DLA)
Tại bước huấn luyện thứ $i$, mô hình tính toán tập ma trận $\text{IoU}$ giữa các vùng đề xuất $HP$ và nhãn ngang $HG$. Giá trị ngưỡng gán nhãn động $T_{now}$ được cập nhật sau chu kỳ $C$ bước huấn luyện:
$$\text{label} = \begin{cases} 1, & \text{nếu } \max \text{IoU}(b, G) \ge T_{now} \ 0, & \text{nếu } \max \text{IoU}(b, G) < T_{now} \end{cases}$$
$$T_{now} = \frac{1}{|S_I|} \sum_{v \in S_I} v$$
Với $S_I$ là tập lưu trữ các giá trị IoU lớn thứ $K_I$ trích xuất từ mỗi ảnh trong $C$ lần lặp.
Công thức toán học Dynamic SmoothL1 (DSL)
Tham số $\beta_{now}$ của hàm tổn thất hồi quy được cập nhật liên tục:
$$\text{DSL}(x, \beta_{now}) = \begin{cases} \frac{0.5 x^2}{\beta_{now}}, & \text{nếu } |x| < \beta_{now} \ |x| - 0.5 \beta_{now}, & \text{trường hợp còn lại} \end{cases}$$
$$\beta_{now} = \text{Median}(S_E)$$
Với $S_E$ là tập hợp chứa các giá trị sai số hồi quy nhỏ thứ $K_R$ thu thập trong $C$ vòng lặp gần nhất.
DLA Threshold Progression DSL Beta Adaptation
IoU Thresh ^ Beta ^
| /---------------- | \
0.75 -| / 1.0 -| \
0.60 -| / 0.5 -| \-----------------
0.50 -|---/ 0.1 -|
+------------------> +------------------>
0 Iter Max 0 Iter Max
Phương pháp luận (Methodology)
Nghiên cứu áp dụng quy trình thực nghiệm nghiêm ngặt theo mô hình lặp có kiểm soát:
- Nguyên lý không gia tăng độ phức tạp thực thi (Zero-Inference Cost): Tất cả các phép tính thống kê $T_{now}$ và $\beta_{now}$ chỉ diễn ra trong tiến trình lan truyền ngược (Backpropagation) ở pha huấn luyện.
- Tiêu chuẩn kiểm soát biến số: Giữ cố định hoàn toàn kiến trúc Backbone (ResNet-50-FPN), trình tối ưu hóa SGD (Learning Rate $= 0.005$, Momentum $= 0.9$, Weight Decay $= 0.0001$), lịch trình giảm tốc (Learning Rate Schedule: $1\times \approx 12$ epochs).
Implementation và kết quả
Quy trình phát triển và Công nghệ sử dụng
Hệ thống được phát triển và tích hợp trên nền tảng thị giác máy tính chuyên biệt cho phát hiện đối tượng xoay:
- Ngôn ngữ & Framework: Python 3.8.10, PyTorch v1.12.1, CUDA 11.3, cuDNN 8.3.2.
- Thư viện chuyên dụng: MMRotate v0.3.4 (xây dựng trên nền tảng MMDetection v2.25.1 và MMCV v1.6.0).
- Hạ tầng phần cứng: Server huấn luyện trang bị 01 GPU NVIDIA RTX 3090 24GB VRAM, CPU AMD EPYC 7542 32 Cores, 64GB RAM DDR4.
# Thuật toán triển khai Dynamic RoI Head trong PyTorch / MMRotate
import torch
import torch.nn as nn
class DynamicRoIHead(nn.Module):
"""
Cài đặt mô-đun Dynamic Label Assignment (DLA) và Dynamic SmoothL1 (DSL)
cho các bộ phát hiện OOD hai giai đoạn (Oriented R-CNN, RoI Transformer).
"""
def __init__(self, update_iter_interval=100, topk_iou=75, topk_beta=60):
super(DynamicRoIHead, self).__init__()
self.C = update_iter_interval # Chu kỳ cập nhật C
self.K_I = topk_iou # K_I cho DLA
self.K_R = topk_beta # K_R cho DSL
self.T_now = 0.5 # Ngưỡng IoU khởi tạo
self.beta_now = 1.0 # Siêu tham số Beta khởi tạo
self.S_I = []
self.S_E = []
self.iter_counter = 0
def update_dynamic_hyperparameters(self, matched_ious, reg_diffs):
"""
Ghi nhận thống kê phân phối và cập nhật T_now, beta_now
"""
with torch.no_grad():
# Trích xuất top-K_I IoU lớn nhất từ batch
if matched_ious.numel() >= self.K_I:
topk_i_val = torch.topk(matched_ious.view(-1), self.K_I)[0][-1].item()
self.S_I.append(topk_i_val)
# Trích xuất top-K_R sai số hồi quy nhỏ nhất
if reg_diffs.numel() >= self.K_R:
topk_r_val = torch.topk(reg_diffs.view(-1), self.K_R, largest=False)[0][-1].item()
self.S_E.append(topk_r_val)
self.iter_counter += 1
if self.iter_counter % self.C == 0 and len(self.S_I) > 0:
self.T_now = float(sum(self.S_I) / len(self.S_I))
self.beta_now = float(torch.median(torch.tensor(self.S_E)).item())
self.T_now = max(0.4, min(0.75, self.T_now)) # Giới hạn an toàn IoU
self.beta_now = max(0.1, min(1.0, self.beta_now)) # Giới hạn an toàn Beta
self.S_I.clear()
self.S_E.clear()
Kiểm thử và Đánh giá thực nghiệm
Thực nghiệm được thực hiện đối chứng trên 2 bộ dữ liệu viễn thám tiêu chuẩn:
- DOTA-v1.0: Gồm 2,806 bức ảnh kích thước từ $800 \times 800$ đến $20,000 \times 20,000$ pixel, chứa 188,282 đối tượng thuộc 15 lớp danh mục.
- HRSC2016: Gồm 1,061 ảnh viễn thám độ phân giải cao thu thập từ Google Earth chuyên về nhận diện tàu thuyền với các tỷ lệ khung hình siêu hẹp.
Kết quả đánh giá trên tập dữ liệu DOTA-v1.0 (mAP % tại IoU=0.5)
| Phương pháp |
Backbone |
Base mAP (%) |
Dynamic mAP (%) |
Mức cải thiện ($\Delta$ mAP) |
| RoI Transformer |
ResNet-50-FPN |
74.52 |
75.45 |
+0.93% |
| ReDet |
ReResNet-50 |
76.25 |
76.88 |
+0.63% |
| Oriented R-CNN |
ResNet-50-FPN |
75.87 |
76.71 |
+0.84% |
Đánh giá chi tiết trên từng lớp đối tượng đặc thù của DOTA-v1.0 (Oriented R-CNN Baseline vs Dynamic)
| Lớp đối tượng |
Baseline AP (%) |
Dynamic AP (%) |
$\Delta$ Cải thiện |
| Máy bay (Plane - PL) |
88.54 |
89.12 |
+0.58% |
| Tàu thủy (Ship - SH) |
86.42 |
87.95 |
+1.53% |
| Xe cơ giới nhỏ (Small Vehicle - SV) |
77.21 |
79.05 |
+1.84% |
| Xe tải lớn (Large Vehicle - LV) |
74.88 |
76.54 |
+1.66% |
| Cầu cảng (Harbor - HA) |
68.32 |
70.15 |
+1.83% |
| Trực thăng (Helicopter - HC) |
57.10 |
59.48 |
+2.38% |
Hiệu quả khi kết hợp DLA với các hàm tổn thất Gaussian (DOTA-v1.0)
| Cấu hình thuật toán |
Hàm tổn thất hồi quy góc |
mAP (%) |
| Oriented R-CNN (Baseline) |
$\text{Smooth}_{L1}$ (Static $\beta=1.0$) |
75.87 |
| Oriented R-CNN + DLA |
$\text{Smooth}_{L1}$ (Static) |
76.32 |
| Oriented R-CNN + DLA + DSL |
Dynamic $\text{Smooth}{L1}$ ($\beta{now}$) |
76.71 |
| Oriented R-CNN + DLA |
GWD (Gaussian Wasserstein) |
76.94 |
| Oriented R-CNN + DLA |
KFIoU (Kalman Filter Skew IoU) |
77.26 |
Đổi mới và đóng góp
-
Khắc phục triệt để điểm nghẽn của ngưỡng tĩnh (Static Threshold Bottleneck):
Đề xuất cơ chế điều tiết ngưỡng linh hoạt cho bài toán phát hiện hai giai đoạn góc nghiêng. Ngưỡng $T_{now}$ tự động tăng tuyến tính từ $0.50$ lên xấp xỉ $0.68 - 0.72$ ở các epoch cuối khi mạng RPN đã tạo ra các proposal chất lượng, loại bỏ hoàn toàn các đề xuất giả lập biên nhiễu.
-
Cân bằng gradient thích ứng thông qua Dynamic SmoothL1:
Thay vì cố định $\beta = 1.0$ xuyên suốt 12 epochs, giá trị $\beta_{now}$ tự động hạ dần từ $1.0$ về $0.18 - 0.25$, kích hoạt độ phạt hồi quy chính xác cao hơn cho các mục tiêu có độ dời nhỏ, từ đó tăng độ chính xác vị trí tâm và góc xoay của hộp RBB.
-
Tính tương thích và bổ trợ với hàm tổn thất Gaussian:
Chứng minh thực nghiệm rằng mô-đun DLA không chỉ hoạt động tốt với SmoothL1 mà còn có thể ghép nối hiệu quả với các hàm mất mát phân phối Gaussian tiên tiến như GWD và KFIoU, đẩy mAP của Oriented R-CNN lên mốc 77.26%, vượt qua hầu hết các bộ dò một giai đoạn và hai giai đoạn cùng backbone.
-
Tối ưu hóa tài nguyên phần cứng tuyệt đối khi triển khai:
Không bổ sung bất kỳ lớp tích chập, tham số học bổ sung hay nhánh phụ nào trong đồ thị tính toán khi chạy kiểm thử (Inference Graph). Tốc độ dự đoán của mô hình sau khi huấn luyện động duy trì ở mức $18.5\text{ FPS}$ trên NVIDIA RTX 3090, tương đương hoàn toàn với baseline gốc.
Ứng dụng thực tế và triển khai
Tình huống ứng dụng trong đời sống thực tế
+-----------------------------------------------------------------------------------+
| HỆ THỐNG GIÁM SÁT KHÔNG ẢNH THÔNG MINH |
+-----------------------------------------------------------------------------------+
| | |
v v v
+------------------+ +-------------------+ +-----------------+
| CẢNG BIỂN & HÀNG HẢI | | GIAO THÔNG ĐÔ THỊ | | CỨU HỘ QUY HOẠCH|
| - Định danh tàu thuyền | - Đếm xe mật độ | | - Phát hiện sự cố|
| - Theo dõi góc neo đậu | cao tại nút giao| | - Lập bản đồ địa|
| - Kiểm soát luồng tàu | - Phân loại xe bus| chính chính xác |
+------------------+ +-------------------+ +-----------------+
- Giám sát giao thông đường thủy và cảng biển: Phân loại và định vị tự động các loại tàu container, tàu chở dầu san sát trong luồng hàng hải dựa trên tập dữ liệu HRSC2016.
- Kiểm soát hạ tầng đô thị thông minh từ UAV: Phát hiện vị trí đỗ xe, mật độ phương tiện tại các nút giao phức tạp không phụ thuộc vào góc quay của camera hành trình máy bay.
- Hệ thống bản đồ vệ tinh và viễn thám: Tự động hóa quá trình gán nhãn dữ liệu địa không gian cho các nền tảng GIS, rút ngắn thời gian xử lý ảnh vệ tinh thủ công từ nhiều ngày xuống vài phút.
Kiến trúc Triển khai Dịch vụ (Production Deployment Pipeline)
Mô hình sau khi huấn luyện được đóng gói phục vụ qua kiến trúc microservice:
[Drone Video Stream] ---> [RTSP Gateway] ---> [Triton Inference Server (ONNX/TensorRT)]
|
v
[FastAPI REST / gRPC API] <------------------- [Oriented Bounding Box Engine]
|
+---> Web GIS Dashboard (Leaflet/Mapbox Visualizer)
- REST API Specs:
POST /api/v1/detect/oriented-image- Input:
multipart/form-data chứa tệp ảnh RGB viễn thám.
- Output:
application/json danh sách thực thể gồm [x_center, y_center, width, height, angle_degrees, class_name, confidence_score].
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Độ nhạy cảm với vật thể siêu nhỏ (Extremely Small Objects): Đối với các mục tiêu có diện tích dưới $10 \times 10$ pixel (như trong DOTA-v1.5), số lượng pixel không đủ để tính toán ma trận tương quan góc xoay chính xác, dẫn đến việc DLA loại bỏ nhầm một số proposal kích thước cực nhỏ.
- Phụ thuộc vào tham số cập nhật $C$: Nếu chu kỳ $C$ quá ngắn ($C < 20$), ngưỡng bị dao động mạnh bởi các batch dữ liệu dị biệt; nếu $C$ quá dài ($C > 500$), mô hình phản ứng chậm với sự tiến bộ của mạng proposal.
Hướng phát triển trong tương lai
- Mở rộng kỹ thuật Dynamic Training cho các mô hình Vision Transformer góc xoay thế hệ mới (Rotated Deformable DETR, AO2-DETR).
- Tích hợp cơ chế gán nhãn động trực tiếp trên phân phối xác suất Gaussian (Dynamic Gaussian Label Assignment) thay vì dựa trên phép chiếu trục ngang.
- Tối ưu hóa lượng tử hóa INT8 trên kiến trúc TensorRT để nhúng trực tiếp hệ số suy luận lên các vi xử lý tích hợp trên Drone như NVIDIA Jetson Orin Nano.
Đối tượng hưởng lợi
+-------------------------------------------------------------------------+
| GIÁ TRỊ TỔNG THỂ DỰ ÁN |
+-------------------------------------------------------------------------+
| [Sinh viên & Học viên] | [Kỹ sư AI & Computer Vision] |
| - Mã nguồn mẫu trực quan | - Codebase chuẩn hóa trên MMRotate |
| - Phương pháp NCKH chuẩn | - Kỹ thuật tối ưu loss không tốn latency |
|--------------------------+----------------------------------------------|
| [Nhà nghiên cứu OOD] | [Doanh nghiệp GIS & Khảo sát viễn thám] |
| - Benchmark thực nghiệm | - Giải pháp tăng độ chính xác 1.5 - 2.5% |
| - Khám phá DLA + GWD/KFIoU| - Tích hợp hệ thống giám sát thời gian thực |
+-------------------------------------------------------------------------+
- Sinh viên và Học viên Cao học: Nắm vững phương pháp luận nghiên cứu thực nghiệm thị giác máy tính, tiếp cận cách phân tích hàm mất mát chuyên sâu trong không gian góc xoay.
- Kỹ sư AI / Lập trình viên: Sử dụng mẫu thiết kế module RoI Head động để áp dụng ngay vào các bài toán nhận diện bounding box chuyên biệt (nhận diện chữ viết tay nghiêng OCR, phân tích ảnh y tế X-quang/CT).
- Doanh nghiệp Viễn thám & Địa tin học: Nâng cao độ tin cậy của hệ thống trích xuất dữ liệu không gian tự động, tối ưu hóa chi phí vận hành máy chủ nhờ việc cải thiện hiệu năng mô hình mà không cần tăng dung lượng phần cứng GPU.
Câu hỏi thường gặp
1. Cần cấu hình phần cứng tối thiểu nào để tái lập thực nghiệm?
Để huấn luyện mô hình với batch size $= 2$ trên tập dữ liệu DOTA-v1.0 (kích thước patch cắt $1024 \times 1024$), hệ thống cần tối thiểu 01 GPU có $12\text{ GB}$ VRAM (NVIDIA RTX 3060/3080/T4). Để chạy suy luận (Inference), mô hình chỉ cần GPU $4\text{ GB}$ VRAM hoặc CPU Intel Core i5 thế hệ 10 trở lên.
2. Tại sao DLA và DSL không làm tăng thời gian suy luận (Inference Latency)?
Bởi vì DLA và DSL là các chiến lược điều hướng động dành riêng cho pha lan truyền ngược và gán nhãn mẫu trong lúc học. Khi chuyển sang chế độ model.eval(), toàn bộ các nhánh tính ngưỡng thống kê đều bị vô hiệu hóa, kiến trúc mạng thực thi giữ nguyên vẹn các lớp tích chập của mô hình gốc.
3. Có thể thay thế hàm mất mát DSL bằng Gaussian Wasserstein Distance (GWD) được không?
Hoàn toàn được. Thực nghiệm trong khóa luận đã chứng minh khi kết hợp mô-đun phân loại mẫu động DLA với hàm hồi quy phân phối Gaussian GWD hoặc KFIoU ở nhánh đầu ra R-CNN, độ chính xác mAP trên tập DOTA-v1.0 đạt đỉnh 77.26%, cao hơn việc sử dụng đơn lẻ DSL.
4. Cơ chế huấn luyện động này có áp dụng được cho mạng phát hiện một giai đoạn (One-Stage) không?
Có thể mở rộng nguyên lý sang One-Stage (như Rotated RetinaNet, SASM). Tuy nhiên, trên mạng một giai đoạn, việc tính toán phân phối IoU phải thực hiện trực tiếp trên hàng trăm nghìn anchor boxes thay vì vài nghìn proposals như ở Two-Stage, do đó cần kỹ thuật lấy mẫu tối ưu để tránh tràn bộ nhớ GPU.
5. Chi phí triển khai và thời gian hoàn vốn (ROI) cho doanh nghiệp được ước tính như thế nào?
Việc áp dụng giải pháp huấn luyện động giúp tăng độ chính xác của hệ thống nhận diện từ ảnh vệ tinh mà không đòi hỏi nâng cấp hạ tầng phần cứng. Doanh nghiệp tiết kiệm ước tính 30-40% chi phí gán nhãn thủ công và kiểm tra lỗi sai sót, đạt điểm hoàn vốn đầu tư trong vòng 3 đến 6 tháng sau khi đưa vào vận hành thực tế.
Kết luận
Khóa luận tốt nghiệp "Huấn luyện động trên các phương pháp phát hiện đối tượng có hướng hai giai đoạn" của nhóm sinh viên Ngô Văn Tấn Lưu và Trương Thành Thắng (hướng dẫn bởi ThS. Võ Duy Nguyên tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM) đã giải quyết thành công điểm nghẽn của các chiến lược gán nhãn và hàm mất mát cố định trong bài toán nhận diện đối tượng xoay viễn thám.
Bằng việc tích hợp hài hòa hai mô-đun Dynamic Label Assignment (DLA) và Dynamic SmoothL1 (DSL) vào các bộ phát hiện SOTA gồm RoI Transformer, ReDet và Oriented R-CNN, nghiên cứu đã chứng minh sự vượt trội với mức tăng độ chính xác từ +0.63% đến +0.93% mAP trên tập DOTA-v1.0 và xác lập hiệu năng ấn tượng 77.26% mAP khi phối hợp cùng hàm mất mát KFIoU. Kết quả này không chỉ đóng góp giá trị học thuật quan trọng cho cộng đồng nghiên cứu thị giác máy tính mà còn mở ra tiềm năng ứng dụng to lớn trong việc số hóa địa không gian và giám sát thông minh từ thiết bị bay không người lái.
