Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp cử nhân ngành Khoa học Máy tính của tác giả Ngô Văn Tấn Lưu và Trương Thành Thắng (Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM, thực hiện từ ngày 20/02/2023 đến ngày 26/06/2023 dưới sự hướng dẫn của ThS. Võ Duy Nguyên) tập trung vào bài toán phát hiện đối tượng có hướng trong ảnh chụp từ trên không (không ảnh). Trong thực tiễn, việc xác định vị trí và hướng xoay của đối tượng đóng vai trò then chốt trong các hệ thống giám sát giao thông trên cao nhằm theo dõi hướng di chuyển của phương tiện, hỗ trợ trích xuất văn bản có góc xoay phức tạp và tăng cường an ninh hàng hải.

Khác với bài toán phát hiện đối tượng truyền thống chỉ xác định các hộp giới hạn nằm ngang (Horizontal Bounding Box), bài toán phát hiện đối tượng có hướng yêu cầu mô hình dự đoán hộp giới hạn tối tiểu khớp chính xác với tọa độ và góc xoay của vật thể. Tác giả chỉ ra ba thách thức thực tiễn lớn:

  1. Đối tượng xuất hiện với góc xoay tùy ý và phân bố đa dạng do góc chụp thẳng đứng hoặc nghiêng từ trên không.
  2. Phông nền ảnh chụp rất phức tạp (đất liền, biển cả, bóng râm, cây cối, đồi núi) khiến ranh giới vật thể dễ bị nhòe và lẫn vào nền.
  3. Vật thể có kích thước biến thiên mạnh (từ rất nhỏ đến chiếm phần lớn diện tích ảnh) và thường xuất hiện với mật độ dày đặc, nằm sát nhau (như bãi đỗ xe hoặc bến cảng).

Vấn đề cốt lõi mà đề tài giải quyết nằm ở cơ chế huấn luyện của các phương pháp phát hiện hai giai đoạn (two-stage oriented object detectors). Các phương pháp này phụ thuộc vào chất lượng của vùng đề xuất (region proposals). Trong quy trình huấn luyện truyền thống, việc gán nhãn mẫu hợp lệ và tham số hàm mất mát được cố định cứng nhắc:

  • Sử dụng ngưỡng IoU cố định ở mức cao giúp chọn mẫu chất lượng nhưng làm giảm số lượng mẫu, dẫn đến thiếu hụt đặc trưng và gây hiện tượng quá khớp (overfitting).
  • Sử dụng ngưỡng IoU cố định ở mức thấp giúp tăng độ đa dạng mẫu nhưng lại đưa vào nhiều mẫu rác chất lượng kém, làm loãng độ chính xác của bộ phát hiện.
  • Tham số siêu hàm lỗi hồi quy cố định (như giá trị $\beta$ trong SmoothL1) không thể thích nghi theo sự tiến triển chất lượng của các vùng đề xuất qua từng giai đoạn huấn luyện.

Mục tiêu và nhiệm vụ nghiên cứu của khóa luận được xác định cụ thể:

  1. Khảo sát và tổng hợp nguyên lý hoạt động của các mô hình phát hiện đối tượng có hướng hai giai đoạn tiêu biểu (RoI Transformer, ReDet, Oriented R-CNN).
  2. Nghiên cứu cơ chế của các phương pháp huấn luyện động (Dynamic R-CNN, Adaptive Training Sample Selection - ATSS) và các hàm mất mát cho bài toán có hướng (SmoothL1, GWD, KFIoU).
  3. Đề xuất và cài đặt mô-đun huấn luyện động (Dynamic RoI Head) kết hợp hai kỹ thuật: Dynamic Label Assignment (DLA) và Dynamic SmoothL1 (DSL) trên các mô hình hai giai đoạn.
  4. Đánh giá thực nghiệm toàn diện các tổ hợp mô-đun huấn luyện động và hàm mất mát trên hai bộ dữ liệu không ảnh tiêu chuẩn là DOTA và HRSC2016.

Đối tượng nghiên cứu là các mô hình phát hiện đối tượng có hướng hai giai đoạn; phạm vi dữ liệu thử nghiệm là ảnh viễn thám và ảnh vệ tinh trong bộ dữ liệu DOTA (chủ yếu là DOTA-v1.0) và HRSC2016.

Cơ sở lý thuyết và phương pháp

Văn bản xây dựng cơ sở lý thuyết dựa trên các mô hình phát hiện hai giai đoạn, cơ chế huấn luyện thích ứng và các hàm mất mát cho hộp giới hạn nghiêng:

Các mô hình phát hiện hai giai đoạn nền tảng

  • RoI Transformer: Bao gồm hai thành phần chính là RRoI Learner (học chuyển đổi đề xuất không hướng HRoI thành đề xuất có hướng RRoI qua các lớp fully connected) và RRoI Warping sử dụng phép biến đổi Rotated Position Sensitive (RPS) RoI Align để trích xuất đặc trưng xoay bất biến (rotation-invariant).
  • ReDet: Tận dụng mạng xoay tương đương (Rotation-Equivariant Feature Extractor) với các bộ lọc tích chập chia sẻ trọng số đa góc xoay, kết hợp mô-đun trích xuất đặc trưng xoay bất biến RiRoIAlign (gồm Spatial Alignment và Orientation Alignment).
  • Oriented R-CNN: Giai đoạn một sử dụng Oriented RPN trực tiếp sinh đề xuất có hướng chất lượng cao dựa trên cơ chế biểu diễn độ dời trung điểm (Midpoint Offset Representation) với 6 tham số $O = (x, y, w, h, \Delta\alpha, \Delta\beta)$, giai đoạn hai là Oriented R-CNN Head phân lớp và tinh chỉnh hộp giới hạn.

Các hàm mất mát cho hồi quy hộp giới hạn có hướng

  • SmoothL1 Loss: Kết hợp độ lỗi tuyến tính $L_1$ cho độ lệch lớn và bậc hai $L_2$ cho sai số nhỏ dựa trên ngưỡng phân tách $\beta$ cố định.
  • Gaussian Wasserstein Distance (GWD): Chuyển đổi hộp giới hạn có hướng $B(x, y, w, h, \theta)$ thành phân phối chuẩn 2 chiều Gaussian $\mathcal{N}(\mu, \Sigma)$ với $\Sigma = R S R^T$, tính khoảng cách Wasserstein để giải quyết hiện tượng gián đoạn góc xoay và hạn chế của các đối tượng có dạng gần vuông.
  • Kalman Filter-based Skew IoU (KFIoU): Kết hợp mô hình hóa phân phối Gaussian và bộ lọc Kalman để xấp xỉ giá trị độ đo SkewIoU phức tạp thành hàm khả vi, giúp tăng tốc độ hội tụ mà không phát sinh thêm tham số.

Kỹ thuật huấn luyện động

Nghiên cứu kế thừa và điều chỉnh hai cơ chế từ phương pháp Dynamic R-CNN:

  • Dynamic Label Assignment (DLA): Cập nhật ngưỡng IoU ($T_{now}$) sau mỗi chu kỳ $C$ vòng lặp huấn luyện. Ngưỡng được xác định bằng giá trị trung bình của các phần tử lớn thứ $K_I$ trong tập hợp giá trị IoU giữa đề xuất và nhãn mục tiêu (ground-truth).
  • Dynamic SmoothL1 (DSL): Tự động điều chỉnh ngưỡng chuyển tiếp $\beta_{now}$ trong hàm SmoothL1 sau mỗi $C$ vòng lặp dựa trên giá trị trung vị của các độ dời nhỏ thứ $K_\beta$, nhằm tăng dần mức phạt đối với các mẫu chất lượng cao khi mô hình đã hội tụ tốt hơn.

Bên cạnh đó, văn bản khảo sát các kỹ thuật liên quan như Adaptive Training Sample Selection (ATSS) sử dụng tổng trung bình và độ lệch chuẩn của IoU để phân loại mẫu, Self-Adjusting SmoothL1 Loss tự điều chỉnh $\beta$ qua từng batch dựa trên momentum, và Cascade R-CNN huấn luyện chuỗi các đầu dự đoán với ngưỡng IoU tăng dần.

Phương pháp nghiên cứu là thực nghiệm định lượng trên máy tính: tác giả thiết kế và tích hợp mã nguồn các mô-đun huấn luyện động vào khung kiến trúc của RoI Transformer, ReDet và Oriented R-CNN, sau đó kiểm chứng và đánh giá theo chuẩn độ đo Average Precision (AP) và mean Average Precision (mAP).

Nội dung chính theo từng chương

Chương 1: Mở đầu và tổng quan đề tài

Chương 1 giới thiệu động lực nghiên cứu về bài toán thị giác máy tính trong không ảnh, phát biểu bài toán tổng quát với đầu vào là ảnh và đầu ra là hộp giới hạn có hướng kèm nhãn phân lớp. Tác giả phân tích ba thách thức điển hình của không ảnh gồm góc xoay tùy ý, phông nền phức tạp và mật độ đối tượng dày đặc, đồng thời xác định rõ mục tiêu, phạm vi nghiên cứu và bố cục tổng thể của khóa luận.

Chương 2: Các nghiên cứu liên quan

Chương 2 trình bày tổng quan hệ thống lý thuyết về:

  • Các mô hình phát hiện đối tượng có hướng hai giai đoạn tiêu biểu: RoI Transformer, ReDet và Oriented R-CNN, làm rõ cấu trúc trích xuất đặc trưng bất biến và biểu diễn đề xuất nghiêng.
  • Các hàm mất mát hồi quy tọa độ: phân tích cấu trúc toán học của SmoothL1, GWD và KFIoU; làm rõ ưu điểm của biểu diễn phân phối Gaussian khi xử lý bài toán lệch góc xoay.
  • Các cơ chế huấn luyện động: phân tích ưu nhược điểm của DLA, DSL, Self-Adjusting SmoothL1, ATSS và Cascade R-CNN. Tác giả lập luận rằng việc kết hợp DLA và DSL từ Dynamic R-CNN là phương án tối ưu vì tối ưu hóa được cả khâu gán nhãn lẫn khâu hồi quy mà không làm tăng chi phí tính toán khi suy luận (inference).

Chương 3: Đề xuất tinh chỉnh

Chương 3 chi tiết hóa giải pháp kỹ thuật tích hợp huấn luyện động vào ba mô hình cơ sở:

  • Cơ chế cập nhật ngưỡng thích ứng: Giai đoạn đầu sử dụng ngưỡng IoU thấp và $\beta$ lớn để bù đắp sự thiếu hụt đặc trưng và hỗ trợ cập nhật trọng số nhanh; giai đoạn sau tự động tăng ngưỡng IoU và giảm $\beta$ để thanh lọc các đề xuất kém chất lượng và phạt nặng hơn sai số hồi quy.
  • Thuật toán áp dụng cho RoI Transformer và ReDet (Algorithm 1): Do đầu ra của bộ đề xuất ban đầu là hộp giới hạn không hướng (HP), tác giả chuyển đổi nhãn ground-truth có hướng $G$ thành hộp giới hạn trục ngang bao quanh $HG$. Quá trình ghi nhận tập IoU ($S_I$) và tập nhãn hồi quy ($S_E$) được thực hiện tại mô-đun RRoI Learner. Sau mỗi chu kỳ $C$ bước lặp, ngưỡng $T_{now}$ được cập nhật bằng giá trị trung bình của $S_I$ (dựa trên $K_I$), và $\beta_{now}$ được cập nhật bằng trung vị của $S_E$ (dựa trên $K_\beta$). Đầu phân loại và hồi quy cuối cùng (R-CNN Head) được giữ nguyên vì khâu này xử lý trên hộp có hướng, tránh gây nhiễu tham số.
  • Thuật toán áp dụng cho Oriented R-CNN (Algorithm 2): Áp dụng quy trình thu thập và cập nhật tương tự dựa trên tập đề xuất từ Oriented RPN và hộp bao ngang $HG$.

Chương 4: Bộ dữ liệu và kết quả thực nghiệm

Chương 4 mô tả hai bộ dữ liệu thực nghiệm và hệ thống đánh giá:

  • Bộ dữ liệu DOTA: Phiên bản DOTA-v1.0 gồm 2.806 ảnh (kích thước từ $800 \times 800$ đến $20.000 \times 20.000$ pixel), chứa 188.282 đối tượng thuộc 15 lớp: máy bay (PL), sân bóng chày (BD), cầu (BR), đường chạy điền kinh (GTF), xe nhỏ (SV), xe lớn (LV), tàu thủy (SH), sân tennis (TC), sân bóng rổ (BC), bể chứa nhiên liệu (ST), sân bóng đá (SBF), bùng binh (RA), bến cảng (HA), bể bơi (SP) và trực thăng (HC). Dữ liệu được chia theo tỷ lệ 1/2 huấn luyện, 1/6 xác thực và 1/3 kiểm tra. Chương này cũng giới thiệu thông số phiên bản DOTA-v1.5 (bổ sung lớp cần cẩu container, tổng 403.318 đối tượng) và DOTA-v2.0 (11.268 ảnh, 1.793.658 đối tượng, thêm lớp sân bay và bãi đáp trực thăng).
  • Bộ dữ liệu HRSC2016: Gồm 1.061 ảnh viễn thám chụp tàu biển từ Google Earth (kích thước từ $300 \times 300$ đến $1.500 \times 900$ pixel, chuẩn hóa về $512 \times 800$), phân chia thành 436 ảnh huấn luyện, 181 ảnh xác thực và 444 ảnh kiểm tra, cung cấp nhãn phân cấp cho hơn 20 nhóm tàu.
  • Thiết kế thực nghiệm và phân tích: Chương trình đánh giá dựa trên Confusion Matrix, AP và mAP; hệ thống bảng thực nghiệm từ Bảng 4-2 đến Bảng 4-7 phân tích tác động độc lập của DLA, DSL, sự kết hợp giữa DLA với các hàm mất mát khác nhau (GWD, KFIoU), ảnh hưởng của số epoch huấn luyện, và độ nhạy của các tham số cập nhật. Phần trực quan hóa minh chứng hiệu quả nhận diện rõ rệt tại các vùng đối tượng dày đặc và các góc xoay phức tạp.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các đóng góp chính về việc hoàn thiện quy trình huấn luyện động cho bộ phát hiện hai giai đoạn, đồng thời đề ra các hướng nghiên cứu tiềm năng chưa kịp thực hiện trong thời gian làm khóa luận.

Kết quả và đóng góp

So sánh các kỹ thuật và hàm mất mát trong nghiên cứu

Phương pháp / Thành phần Bản chất kỹ thuật Đối tượng xử lý Đặc điểm chính
RoI Transformer Mô hình 2 giai đoạn HRoI $\rightarrow$ RRoI Sử dụng RRoI Learner và RPS RoI Align để trích xuất đặc trưng bất biến
ReDet Mô hình 2 giai đoạn Feature map đa hướng Mạng xoay tương đương kết hợp RiRoIAlign xử lý kênh góc xoay
Oriented R-CNN Mô hình 2 giai đoạn Midpoint Offset (6 tham số) Oriented RPN sinh đề xuất nghiêng trực tiếp với chi phí thấp
DLA Huấn luyện động Ngưỡng IoU ($T_{now}$) Tự động tăng ngưỡng dựa trên trung bình top-$K_I$ sau mỗi chu kỳ $C$
DSL Huấn luyện động Tham số $\beta_{now}$ trong SmoothL1 Điều chỉnh ngưỡng phân tách dựa trên trung vị top-$K_\beta$ độ dời
GWD Hàm mất mát hồi quy Hộp 2-D Gaussian Tính khoảng cách Wasserstein giữa hai phân phối elip
KFIoU Hàm mất mát hồi quy Hộp 2-D Gaussian + Kalman Xấp xỉ SkewIoU thành hàm khả vi thông qua bộ lọc Kalman

Đóng góp cụ thể của khóa luận

  1. Tổng hợp có hệ thống cơ sở lý thuyết: Xây dựng bức tranh toàn diện về các bộ phát hiện có hướng hai giai đoạn hiện đại, phân tích bản chất toán học của các hàm mất mát tiên tiến (GWD, KFIoU) và các cơ chế huấn luyện động.
  2. Thiết kế quy trình huấn luyện động phù hợp cho mô hình có hướng: Đề xuất giải pháp đưa DLA và DSL vào giai đoạn đề xuất vùng mà không gây xung đột tham số tại đầu dự đoán có hướng (R-CNN Head).
  3. Thực nghiệm toàn diện: Cài đặt source code hoàn chỉnh và tiến hành thực nghiệm đa dạng cấu hình trên DOTA-v1.0 và HRSC2016 (khảo sát tác động đơn lẻ của DLA, DSL, khảo sát tương thích với GWD/KFIoU, khảo sát số vòng lặp và tham số cập nhật).
  4. Xây dựng chương trình trực quan hóa (Demo): Cung cấp công cụ trực quan hóa kết quả phân lớp và vẽ hộp giới hạn nghiêng, minh chứng sự cải thiện rõ rệt tại các vùng có mật độ phương tiện dày đặc và góc xoay phức tạp.
  5. Đóng góp học thuật: Tổng hợp kết quả nghiên cứu và chuẩn bị công bố 01 bài báo khoa học tại hội nghị/tạp chí chuyên ngành thuộc danh mục chỉ mục SCOPUS theo đề cương nghiệm thu.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Các mô-đun huấn luyện động (DLA và DSL) kế thừa từ Dynamic R-CNN vốn được thiết kế cho hộp giới hạn nằm ngang. Do đó, việc gán nhãn động trong khóa luận chỉ mới áp dụng được tại bước đề xuất vùng (RRoI Learner hoặc Oriented RPN) thông qua hộp bao ngang $HG$, chưa thể can thiệp trực tiếp vào giai đoạn hai (Oriented R-CNN Head) vốn tính toán trực tiếp trên tọa độ góc xoay.
  • Phạm vi đánh giá chủ yếu tập trung vào các kiến trúc hai giai đoạn và bộ dữ liệu DOTA-v1.0 cùng HRSC2016; chưa mở rộng thử nghiệm trên các kiến trúc một giai đoạn (one-stage detectors) hoặc các biến thể mô hình thị giác sử dụng backbone Transformer quy mô lớn.

Hướng phát triển

  • Nghiên cứu cơ chế gán nhãn động trực tiếp trên không gian góc xoay (Oriented Dynamic Label Assignment) sử dụng các độ đo khoảng cách hình học chuyên biệt như SkewIoU hoặc khoảng cách phân phối Gaussian thay vì chuyển đổi qua hộp ngang ngoại tiếp.
  • Mở rộng kỹ thuật huấn luyện động sang các mô hình phát hiện đối tượng có hướng một giai đoạn và tích hợp thử nghiệm trên toàn bộ các tập con thử nghiệm mở rộng của DOTA-v1.5 và DOTA-v2.0.
  • Ứng dụng mô hình đã tối ưu vào các bài toán thực tế liên quan như phát hiện chữ nghệ thuật/chữ xoay đa hướng trong ảnh tự nhiên (Scene Text Detection).

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo thiết thực cho các nhóm độc giả học thuật:

  • Sinh viên và học viên cao học ngành Khoa học Máy tính, Kỹ thuật Dữ liệu, Trí tuệ Nhân tạo: Cung cấp tài liệu tổng quan mạch lạc, chi tiết về toán học và mã giả cho bài toán phát hiện đối tượng có hướng – một lĩnh vực phức tạp hơn nhiều so với phát hiện đối tượng nằm ngang truyền thống.
  • Nghiên cứu viên trong lĩnh vực Xử lý ảnh viễn thám và Không ảnh: Phần phân tích chi tiết về biểu diễn độ dời trung điểm (Midpoint Offset) của Oriented R-CNN, biến đổi đặc trưng bất biến của RoI Transformer/ReDet, cùng công thức toán học của GWD và KFIoU là nguồn tham khảo kỹ thuật giá trị để xây dựng các giải pháp giám sát hàng hải và viễn thám.
  • Người thực hiện đề tài tối ưu hóa quá trình huấn luyện mạng nơ-ron: Cung cấp cách tiếp cận thực tế về việc áp dụng kỹ thuật thích ứng động (Dynamic Training) nhằm cải thiện hiệu năng mô hình học sâu mà không làm tăng độ trễ tính toán khi triển khai thực tế.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả chỉ áp dụng mô-đun DLA và DSL vào thành phần RRoI Learner/Oriented RPN mà không đưa vào R-CNN Head cuối cùng?

Trong các mô hình như RoI Transformer và ReDet, đề xuất ban đầu là các hộp giới hạn nằm ngang (Horizontal Proposals), trong khi ground-truth là các hộp có hướng. Tác giả chuyển đổi ground-truth thành hộp bao ngang $HG$ để tính IoU và cập nhật ngưỡng động. Ngược lại, tại R-CNN Head, bài toán gán nhãn diễn ra trực tiếp giữa các hộp có hướng. Các cơ chế DLA và DSL ban đầu được thiết kế cho hộp không hướng; nếu áp dụng trực tiếp lên tọa độ góc xoay của R-CNN Head sẽ làm giảm độ hiệu quả của mô hình và tăng thêm các siêu tham số khó kiểm soát.

2. Biểu diễn độ dời trung điểm (Midpoint Offset Representation) trong Oriented R-CNN hoạt động như thế nào?

Midpoint Offset biểu diễn một đối tượng nghiêng tùy ý bằng 6 tham số: $O = (x, y, w, h, \Delta\alpha, \Delta\beta)$. Trong đó, $(x, y)$ là tọa độ tâm, $w$ và $h$ là chiều rộng và chiều cao của hình chữ nhật ngang ngoại tiếp bounding box nghiêng; $\Delta\alpha$ và $\Delta\beta$ lần lượt là độ dời của các đỉnh đối tượng so với trung điểm của cạnh trên và cạnh bên phải của hình chữ nhật ngoại tiếp đó. Biểu diễn này giúp mô hình kế thừa trực tiếp cơ chế hồi quy ngang mà vẫn xác định chính xác tọa độ các đỉnh của hộp giới hạn xoay.

3. Vì sao trong mô-đun Dynamic SmoothL1 (DSL), tác giả sử dụng giá trị trung vị (median) thay vì trung bình (mean) để cập nhật tham số $\beta_{now}$?

Trong quá trình huấn luyện, khi tính toán hiệu số khoảng cách tọa độ giữa các vùng đề xuất và ground-truth, phân bố sai số thường xuất hiện các giá trị ngoại lai (nhiễu cực trị) do các vùng đề xuất chất lượng quá kém gây ra. Giá trị trung bình rất nhạy cảm với các nhiễu này và dễ bị sai lệch lớn, trong khi giá trị trung vị (median) giữ được tính ổn định và phản ánh chính xác xu hướng chất lượng thực tế của đa số mẫu.

4. Hàm mất mát GWD và KFIoU giải quyết điểm yếu nào của hàm mất mát SmoothL1 đối với hộp giới hạn có hướng?

Hàm mất mát SmoothL1 hồi quy các tham số tọa độ và góc xoay độc lập, dễ dẫn đến hiện tượng không nhất quán với độ đo đánh giá IoU và gây ra lỗi phạt rất lớn khi góc xoay chỉ lệch nhẹ ở ranh giới tuần hoàn. GWD và KFIoU mô hình hóa hộp giới hạn xoay thành phân phối xác suất 2 chiều Gaussian, biến sự sai lệch về góc xoay và hình dạng thành sự sai khác giữa hai phân phối elip, qua đó tính toán sai số mượt mà, loại bỏ hiện tượng gián đoạn góc và xử lý hiệu quả các vật thể có tỷ lệ gần như hình vuông.

5. Cơ chế cập nhật ngưỡng của mô-đun Dynamic Label Assignment (DLA) hoạt động như thế nào qua các chu kỳ?

DLA ghi nhận giá trị IoU giữa các đề xuất và ground-truth. Với mỗi ảnh, mô-đun chọn ra giá trị IoU lớn thứ $K_I$. Cứ sau một chu kỳ gồm $C$ vòng lặp huấn luyện, DLA lấy giá trị trung bình của toàn bộ các phần tử top-$K_I$ đã lưu trong bộ nhớ tạm để thiết lập thành ngưỡng $T_{now}$ mới, sau đó làm rỗng bộ nhớ tạm để tránh bị chi phối bởi các phân phối cũ. Khi chất lượng vùng đề xuất tăng dần theo thời gian huấn luyện, giá trị $T_{now}$ sẽ tự động tịnh tiến lên mức cao hơn.

Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Văn Tấn Lưu và Trương Thành Thắng đã giải quyết thỏa đáng điểm nghẽn của chiến lược huấn luyện tham số cố định trong các mô hình phát hiện đối tượng có hướng hai giai đoạn trên không ảnh. Bằng việc tích hợp thích ứng hai mô-đun Dynamic Label Assignment (DLA) và Dynamic SmoothL1 (DSL) vào RoI Transformer, ReDet và Oriented R-CNN, nghiên cứu đã tối ưu hóa quá trình chọn lọc mẫu và hồi quy tọa độ mà không làm tăng độ phức tạp tính toán khi thực thi mô hình. Hệ thống thực nghiệm công phu trên hai bộ dữ liệu chuẩn DOTA và HRSC2016 đã cung cấp các phân tích định lượng sâu sắc về mối tương quan giữa cơ chế gán nhãn động với các hàm mất mát tiên tiến như GWD và KFIoU, tạo nền tảng tài liệu học thuật và kỹ thuật thực nghiệm vững chắc cho các nghiên cứu tiếp nối trong lĩnh vực thị giác máy tính viễn thám.