Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số diễn ra mạnh mẽ, việc số hóa các tài liệu giấy sang định dạng kỹ thuật số (như PDF) và lưu trữ điện tử đã trở thành nhu cầu thiết yếu trong các hoạt động xã hội, hành chính và nghiên cứu khoa học. Sự phổ biến của tài liệu điện tử mang lại nhiều ưu điểm về khả năng sao chép, chia sẻ và tìm kiếm. Tuy nhiên, việc khai thác hiệu quả nguồn dữ liệu số hóa khổng lồ này đòi hỏi các giải pháp tự động hóa quá trình xử lý, trích xuất và hiểu tài liệu.

Đọc hiểu tài liệu dạng ảnh (Document Image Understanding - DIU) là nhiệm vụ trọng tâm trong thị giác máy tính và cuộc Cách mạng Công nghiệp 4.0. DIU kết hợp các kỹ thuật phân tích hình ảnh và nhận dạng mẫu nhằm trích xuất thông tin logic, ngữ nghĩa từ tài liệu dạng ảnh để chuyển đổi thành định dạng máy tính có thể đọc và xử lý được. Lĩnh vực này bao gồm nhiều bài toán con như: Phát hiện đối tượng trang tài liệu (Page Object Detection - POD), Nhận diện cấu trúc bảng (Table Structure Recognition - TSR), Nhận dạng ký tự quang học (Optical Character Recognition - OCR) và Trả lời câu hỏi trực quan (Visual Question Answering - VQA).

Mặc dù các nghiên cứu DIU đã đạt được nhiều tiến bộ vượt bậc trên thế giới, phần lớn các công trình chủ yếu tập trung vào các ngôn ngữ phổ biến như tiếng Anh hoặc tiếng Trung. Nghiên cứu đọc hiểu tài liệu dạng ảnh cho tiếng Việt còn rất hạn chế. Tiếng Việt có tính đặc thù cao về mặt ngôn ngữ với hệ thống ký tự có dấu (á, é, â, ă, ơ, ư...) và các ký hiệu trọng âm phức tạp. Đồng thời, các ấn phẩm tiếng Việt có bố cục đa dạng và độ biến hóa cao. Bên cạnh đó, trong các tài liệu khoa học và giáo trình, hình ảnh và bảng biểu luôn đi kèm với chú thích (caption) mang nội dung tóm tắt cốt lõi. Việc kết hợp phát hiện các đối tượng trực quan và nhận diện chính xác văn bản chú thích là tiền đề quan trọng để nâng cao hiệu quả đọc hiểu, tóm tắt và truy vấn tài liệu.

Khóa luận xác định 8 mục tiêu nghiên cứu cụ thể:

  1. Tìm hiểu tổng quan về bài toán phát hiện đối tượng (hình, bảng, chú thích, công thức...) trên tài liệu dạng ảnh dựa trên các nghiên cứu đã công bố.
  2. Tìm hiểu tổng quan về bài toán nhận diện văn bản (OCR) dựa trên các nghiên cứu có sẵn.
  3. Khảo sát các bộ dữ liệu phục vụ cho bài toán tương tự trên thế giới, từ đó xây dựng bộ dữ liệu ấn phẩm tiếng Việt gồm bài báo khoa học và sách giáo khoa.
  4. Trình bày khung làm việc (framework) phân tích ấn phẩm tiếng Việt với hai tác vụ chính: phát hiện đối tượng (hình, bảng, chú thích) và nhận diện văn bản cho đối tượng chú thích.
  5. Cài đặt thực nghiệm các phương pháp phát hiện đối tượng học sâu (Dynamic R-CNN, Libra R-CNN, Double-Head R-CNN, Guided Anchoring) trên bộ dữ liệu được xây dựng.
  6. Cài đặt thực nghiệm các phương pháp nhận diện văn bản (ABINet, CRNN, NRTR, RobustScanner, SAR, SATRN) cho tác vụ nhận diện văn bản chú thích trên bộ dữ liệu được xây dựng.
  7. Phân tích kết quả thực nghiệm, nghiên cứu đề xuất các kỹ thuật cải thiện hiệu suất nhận diện.
  8. Tổng hợp, phân tích đánh giá kết quả thực nghiệm, viết báo cáo học thuật và xây dựng ứng dụng minh họa (demo).

Đối tượng và phạm vi nghiên cứu:

  • Miền dữ liệu: Hình ảnh tài liệu tiếng Việt có nguồn gốc đa dạng gồm tệp kỹ thuật số (PDF), tài liệu quét quang học (scan) bằng máy quét chuyên dụng và ảnh chụp/quét qua thiết bị di động.
  • Dữ liệu thực nghiệm: Tập dữ liệu gán nhãn gồm 03 lớp đối tượng hình học: Bảng (table), Hình (figure), Chú thích (caption) và nhãn văn bản (text) của đối tượng chú thích.
  • Phương pháp thực nghiệm: Khảo sát và triển khai các mô hình học sâu hiện đại cho bài toán phát hiện đối tượng và nhận dạng ký tự quang học.

Cơ sở lý thuyết và phương pháp tiếp cận

Đề tài tiếp cận bài toán phân tích ấn phẩm tiếng Việt qua hai giai đoạn liên hoàn: Phát hiện đối tượng trang tài liệu (Page Object Detection) và Nhận diện ký tự quang học (OCR / Scene Text Recognition) đối với văn bản chú thích.

1. Phương pháp phát hiện đối tượng (Page Object Detection)

Tác giả tiến hành nghiên cứu sâu các kiến trúc học sâu hai giai đoạn (two-stage object detector) tiên tiến:

  • Faster R-CNN: Sử dụng mạng đề xuất vùng (Region Proposal Network - RPN) trượt trên bản đồ đặc trưng (feature map) được trích xuất từ backbone để trực tiếp tạo ra các đề xuất khu vực (Region of Interest - RoI) với các hộp neo (anchor boxes) định sẵn.
  • Cascade R-CNN: Giải quyết hiện tượng suy giảm hiệu suất và quá khớp (overfitting) khi nâng cao ngưỡng IoU trong huấn luyện. Mô hình triển khai chuỗi các bộ phân lớp và hồi quy ($H_1, H_2, H_3$) nối tiếp với các ngưỡng IoU tăng dần ($u_1 < u_2 < u_3$), kết hợp cơ chế lấy mẫu lại theo tầng (cascade resampling) để thích ứng với phân phối đề xuất chất lượng cao.
  • Dynamic R-CNN: Khai thác tính chất động của quá trình huấn luyện bằng hai mô-đun: Gán nhãn động (Dynamic Label Assignment - DLA) tự động nâng ngưỡng $T_{now}$ theo chất lượng phân phối đề xuất, và Hàm mất mát hồi quy động (Dynamic SmoothL1 Loss - DSL) điều chỉnh tham số $\beta_{now}$ theo thống kê sai số hồi quy.
  • Libra R-CNN: Xử lý triệt để sự mất cân bằng trong quá trình huấn luyện ở 3 cấp độ:
    • Cấp độ mẫu (sample-level): Cơ chế IoU-balanced sampling chia khoảng lấy mẫu thành $K$ khoảng bằng nhau để tăng xác suất chọn các mẫu âm tính khó (hard negative samples).
    • Cấp độ đặc trưng (feature-level): Balanced Feature Pyramid tích hợp sâu các đặc trưng đa cấp ${C_2, C_3, C_4, C_5}$ về kích thước trung gian, kết hợp cơ chế embedded Gaussian non-local attention để nâng cao tính biểu diễn ngữ nghĩa.
    • Cấp độ mục tiêu (objective-level): Balanced L1 Loss tăng cường độ dốc từ các mẫu chính xác và phân tách các phần tử ngoại lai (outliers).
  • Double-Head R-CNN: Phân tách cấu trúc phần đầu mạng (head) thành nhánh kết nối đầy đủ (fc-head) tối ưu cho tác vụ phân loại và nhánh tích chập (conv-head) gồm các khối dư (residual blocks) và khối không cục bộ (non-local block) tối ưu cho tác vụ hồi quy vị trí hộp giới hạn.
  • Guided Anchoring: Thay thế việc đặt anchor tĩnh đồng nhất bằng cơ chế neo có hướng dẫn, gồm nhánh dự đoán vị trí (tạo bản đồ xác suất qua tích chập $1 \times 1$ và hàm sigmoid), nhánh dự đoán hình dạng (dự đoán động chiều rộng $w$ và chiều cao $h$ qua phép biến đổi phi tuyến) và mô-đun thích ứng đặc trưng sử dụng tích chập biến dạng (deformable convolution $3 \times 3$).

2. Phương pháp nhận diện văn bản (Text Recognition / OCR)

Nghiên cứu khảo sát các kiến trúc nhận dạng chuỗi văn bản:

  • CRNN (Convolutional Recurrent Neural Network): Kết hợp mạng tích chập CNN trích xuất chuỗi đặc trưng bản đồ, mạng nơ-ron hồi quy hai chiều sâu (Bidirectional LSTM) học ngữ cảnh chuỗi ký tự và lớp dịch mã (transcription layer) sử dụng hàm mất mát CTC (Connectionist Temporal Classification).
  • SAR (Show, Attend and Read): Sử dụng ResNet 31 lớp trích xuất đặc trưng, bộ mã hóa (Encoder) 2 lớp LSTM (trạng thái ẩn 512), bộ giải mã (Decoder) 2 lớp LSTM kết hợp mô-đun chú ý 2 chiều (2D Attention) xem xét 8 vùng lân cận không gian để xử lý văn bản biến dạng và uốn cong.
  • NRTR (No-Recurrence Text Recognizer): Mô hình Seq2Seq không sử dụng RNN, hoàn toàn dựa trên cơ chế Multi-Head Scaled Dot-Product Attention của Transformer. Kiến trúc bao gồm khối biến đổi phương thức (Modality-Transform Block), mã hóa vị trí (Positional Encoding), bộ mã hóa gồm $N_e$ khối tự chú ý và bộ giải mã gồm $N_d$ khối giải mã tự hồi quy với lớp Masked Multi-Head Attention.
  • RobustScanner: Xử lý hiện tượng trôi căn chỉnh (alignment drift) trên chuỗi ký tự bằng cấu trúc giải mã kép: nhánh hỗn hợp (Hybrid Branch) kết hợp thông tin ngữ cảnh/vị trí qua LSTM, nhánh tăng cường vị trí (Position Enhancement Branch) chứa lớp nhúng vị trí và mô-đun nhận thức vị trí, cùng mô-đun hợp nhất động (Dynamic Fusion) điều tiết tỷ lệ đặc trưng qua cổng đóng mở element-wise gate.
  • SATRN và ABINet: Các mô hình hiện đại tích hợp mô hình thị giác và mô hình ngôn ngữ nâng cao độ chính xác nhận diện văn bản tự nhiên.

3. Phương pháp đánh giá thực nghiệm

  • Tác vụ phát hiện đối tượng: Đánh giá bằng độ chính xác trung bình (mean Average Precision - $mAP$) tại các ngưỡng IoU khác nhau và đường cong Precision-Recall.
  • Tác vụ nhận diện văn bản: Đánh giá bằng Tỷ lệ lỗi từ (Word Error Rate - $WER$) và Tỷ lệ lỗi ký tự (Character Error Rate - $CER$).

Xây dựng bộ dữ liệu ấn phẩm tiếng Việt (UIT-DODV-Ext)

Nhóm tác giả tiến hành khảo sát các bộ dữ liệu chuẩn quốc tế và trong nước dùng cho bài toán phân tích bố cục tài liệu (Page Object Detection - POD và Recognition - R), bao gồm PubLayNet, DocBank, TableBank, IIIT-AR-13K và UIT-DODV. Do các tập dữ liệu quốc tế không hỗ trợ tiếng Việt và các tập dữ liệu tiếng Việt trước đó còn hạn chế về quy mô cũng như phạm vi nhãn, nhóm nghiên cứu đã xây dựng bộ dữ liệu mới mang tên UIT-DODV-Ext.

Tiêu chí Thông tin chi tiết
Quy mô tập dữ liệu 5.000 hình ảnh trang tài liệu tiếng Việt
Nguồn gốc tài liệu Bài báo khoa học và sách giáo khoa tiếng Việt
Định dạng dữ liệu Tệp PDF kỹ thuật số, tài liệu quét (scan) máy tính, ảnh quét qua điện thoại di động
Các lớp đối tượng đồ họa 03 lớp: Bảng (table), Hình (figure), Chú thích (caption)
Nhãn nội dung văn bản Chuỗi ký tự văn bản đầy đủ của đối tượng chú thích
Đặc điểm thách thức Đa dạng bố cục, khoảng cách đối tượng phức tạp, ảnh mờ/nhòe/biến dạng, ký tự có dấu

Quy trình xây dựng bộ dữ liệu bao gồm: thu thập dữ liệu đa nguồn $\rightarrow$ tiền xử lý và chuẩn hóa kích thước $\rightarrow$ xây dựng bộ quy tắc gán nhãn nghiêm ngặt $\rightarrow$ gán nhãn hộp giới hạn đối tượng và nội dung văn bản chú thích $\rightarrow$ kiểm định chất lượng và phân chia tập huấn luyện/kiểm thử.

Nội dung chính theo từng chương

Chương 1. Tổng quan

Chương 1 thiết lập nền tảng cho toàn bộ khóa luận, nêu rõ tính cấp thiết của bài toán Đọc hiểu tài liệu dạng ảnh (DIU) trong xu hướng chuyển đổi số. Tác giả phát biểu bài toán Phân tích ấn phẩm tiếng Việt: đầu vào là một trang tài liệu dạng ảnh, đầu ra là nhãn và vị trí tọa độ của bảng, hình, chú thích cùng nội dung văn bản bên trong phần chú thích. Chương này phân tích chi tiết các thách thức nội tại (bố cục không đồng đều, mật độ giãn cách, tính đặc thù của nguyên âm có dấu tiếng Việt) và thách thức ngoại cảnh (nhiễu quét, biến dạng góc chụp, độ phân giải thấp). Đồng thời, chương 1 công bố 8 mục tiêu nghiên cứu, phạm vi thực nghiệm và danh mục các công bố khoa học đạt được.

Chương 2. Cơ sở lý thuyết

Chương 2 trình bày tổng quan hệ thống lý thuyết về thị giác máy tính và học sâu áp dụng cho tài liệu ảnh. Về tác vụ phát hiện đối tượng, chương phân tích chi tiết các mô hình Faster R-CNN, Cascade R-CNN, Dynamic R-CNN, Libra R-CNN, Double-Head R-CNN và Guided Anchoring. Về tác vụ nhận dạng văn bản, chương khảo sát cấu trúc toán học và luồng xử lý của CRNN, SAR (với cơ chế chú ý 2D), NRTR (cơ chế Transformer không lặp), RobustScanner (cơ chế tăng cường vị trí), SATRN và ABINet.

Chương 3. Xây dựng bộ dữ liệu ấn phẩm tiếng Việt

Chương 3 tập trung vào quy trình xây dựng bộ dữ liệu UIT-DODV-Ext với 5.000 ảnh từ bài báo khoa học và sách giáo khoa tiếng Việt. Tác giả trình bày chi tiết phương pháp thu thập, quy trình tiền xử lý, bộ quy tắc định nghĩa nhãn đối tượng (bảng, hình, chú thích) và nhãn văn bản. Chương cung cấp các bảng thống kê về số lượng ảnh, phân bố đối tượng và phân tích các đặc trưng trực quan, hình thái học của ấn phẩm tiếng Việt.

Chương 4. Phương pháp phân tích ấn phẩm tiếng Việt

Chương 4 giới thiệu khung làm việc (framework) tích hợp tổng thể gồm hai thành phần: Mạng phát hiện đối tượng trang và Mạng nhận diện ký tự chú thích. Trên cơ sở phân tích hạn chế của các mô hình nền tảng, tác giả đề xuất các cải tiến kiến trúc:

  • Guided Anchoring Cascade R-CNN: Kết hợp cơ chế neo có hướng dẫn vào mạng phân tầng Cascade R-CNN nhằm tạo ra các đề xuất vùng thích ứng hình dạng đối tượng tài liệu.
  • CDeRSNet và CDeRSNet Guided Anchoring: Kiến trúc mạng chuyên biệt được thiết kế để tối ưu hóa việc trích xuất đặc trưng và phân biệt các vùng hình ảnh, bảng biểu và chú thích.
  • Hàm mất mát kết hợp: Tối ưu hóa đồng thời độ dốc phân loại, định vị hộp giới hạn và thích ứng đặc trưng.

Chương 5. Thực nghiệm và đánh giá

Chương 5 mô tả cấu hình môi trường phần cứng và tài nguyên tại Phòng thí nghiệm Truyền thông Đa phương tiện (MMLab - Trường ĐH Công nghệ Thông tin, ĐHQG-HCM). Tác giả thiết lập quy trình kiểm thử chuẩn mực trên tập dữ liệu UIT-DODV-Ext bằng các độ đo $mAP$, $WER$ và $CER$. Chương đối chiếu hiệu năng giữa các thuật toán cơ sở (Libra R-CNN, Dynamic R-CNN, Double Head R-CNN, Guided Anchoring) và các phương pháp đề xuất (CDeRSNet, CDeRSNet Guided Anchoring) kết hợp với các mô hình nhận dạng văn bản (SATRN, RobustScanner, NRTR...). Kết quả được phân tích chi tiết qua đường cong Precision-Recall và các ví dụ dự đoán trực quan. Cuối cùng, tác giả trình bày ứng dụng minh họa (demo) chứng minh tính khả thi thực tế của framework.

Chương 6. Kết luận và hướng phát triển

Chương 6 tổng kết toàn diện các kết quả nghiên cứu, đánh giá mức độ hoàn thành so với mục tiêu đề ra và chỉ rõ các hướng phát triển tiếp theo để mở rộng năng lực phân tích tài liệu tiếng Việt.

Kết quả và đóng góp học thuật

1. Kết quả thực nghiệm chính

  • Xây dựng thành công quy trình chuẩn (benchmark pipeline) cho bài toán phân tích ấn phẩm tiếng Việt, tích hợp liên hoàn giữa phát hiện cấu trúc trang (POD) và nhận diện văn bản chú thích (OCR).
  • Các mô hình đề xuất cải tiến (Guided Anchoring Cascade R-CNN, CDeRSNet, CDeRSNet Guided Anchoring) kết hợp cùng các bộ giải mã văn bản hiện đại (như SATRN) đã thể hiện khả năng định vị chính xác đối tượng bảng, hình, chú thích và giảm thiểu tỷ lệ lỗi nhận dạng ký tự tiếng Việt có dấu so với các phương pháp cơ sở.

2. Các công bố khoa học từ kết quả khóa luận

Nghiên cứu đã đóng góp trực tiếp vào 04 công bố khoa học quốc tế uy tín:

  • 02 bài báo hội nghị quốc tế hạng B: Hội nghị Quốc tế về Phân tích Hình ảnh và Khuôn dạng (CAIP 2021) và Hội nghị Quốc tế về Mô hình hóa Đa phương tiện (MMM 2022).
  • 01 bài báo hội nghị quốc tế thuộc danh mục Scopus: Hội nghị Quốc tế về Khoa học Thông tin và Truyền thông (NICS).
  • 01 bài báo tạp chí khoa học quốc tế chuẩn ISI Q1: Tạp chí IEEE Access.
Hạng mục đóng góp Nội dung chi tiết
Tập dữ liệu chuẩn hóa Bộ dữ liệu UIT-DODV-Ext gồm 5.000 ảnh tài liệu tiếng Việt có gán nhãn đầy đủ 3 lớp đối tượng và nội dung chú thích.
Khung kiến trúc đề xuất Framework 2 giai đoạn (POD + OCR) cùng các biến thể CDeRSNet và Guided Anchoring Cascade R-CNN.
Công bố học thuật 01 bài ISI Q1 (IEEE Access), 02 bài Hội nghị hạng B (CAIP, MMM), 01 bài Scopus (NICS).
Sản phẩm ứng dụng Chương trình demo hoàn chỉnh minh họa khả năng phân tích ấn phẩm và trích xuất nội dung chú thích.

Hạn chế và hướng nghiên cứu tiếp theo

1. Hạn chế

  • Phạm vi đối tượng: Nghiên cứu hiện tập trung giải quyết 03 lớp đối tượng chính là hình (figure), bảng (table) và chú thích (caption), chưa bao quát toàn diện các thành phần cấu trúc khác như công thức toán học phức tạp, đoạn văn bản thân (body text) hay tiêu đề phân cấp.
  • Nhiễu dữ liệu thực tế: Hiệu năng nhận diện còn bị thách thức đối với các ảnh chụp di động có góc nghiêng lớn, độ phân giải rất thấp hoặc tài liệu scan cũ có chất lượng suy giảm nghiêm trọng.

2. Hướng nghiên cứu tiếp theo

  • Mở rộng tập dữ liệu UIT-DODV-Ext với quy mô mẫu lớn hơn và đa dạng hóa thể loại tài liệu (văn bản hành chính, tạp chí nghệ thuật, tài liệu lịch sử).
  • Phát triển các mô hình học sâu hợp nhất (end-to-end multi-modal models) có khả năng đồng thời phân tích bố cục toàn trang, trích xuất cấu trúc bảng chi tiết (Table Structure Recognition) và nhận dạng toàn bộ văn bản tài liệu tiếng Việt.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao:

  • Đối tượng thụ hưởng: Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành Khoa học Dữ liệu, Trí tuệ Nhân tạo, Thị giác Máy tính và Xử lý Ngôn ngữ Tự nhiên đang thực hiện các đề tài liên quan đến Đọc hiểu tài liệu dạng ảnh (DIU), phân tích bố cục tài liệu (Document Layout Analysis) và OCR tiếng Việt.
  • Nội dung tham khảo trọng tâm:
    • Khảo sát hệ thống và so sánh chuyên sâu về mặt lý thuyết giữa các thuật toán phát hiện đối tượng SOTA (Dynamic R-CNN, Libra R-CNN, Double-Head R-CNN, Guided Anchoring) và nhận diện văn bản (CRNN, SAR, NRTR, RobustScanner, SATRN, ABINet).
    • Quy trình chuẩn hóa trong thu thập, tiền xử lý và thiết lập quy tắc gán nhãn cho tập dữ liệu tài liệu ảnh tiếng Việt.
    • Hướng dẫn thiết lập môi trường thực nghiệm, cấu hình huấn luyện và mã nguồn minh họa triển khai thực tế (tại Phụ lục B).

Câu hỏi thường gặp

1. Đầu vào và đầu ra của bài toán phân tích ấn phẩm tiếng Việt trong khóa luận được định nghĩa như thế nào?

Đầu vào của bài toán là hình ảnh một trang tài liệu tiếng Việt (từ tệp PDF, bản scan hoặc ảnh chụp điện thoại). Đầu ra là vị trí tọa độ (bounding box) của các đối tượng hình (figure), bảng (table), chú thích (caption) và nội dung chuỗi văn bản chính xác của phần chú thích đó.

2. Bộ dữ liệu UIT-DODV-Ext có quy mô và cấu trúc ra sao?

UIT-DODV-Ext bao gồm 5.000 hình ảnh trang tài liệu tiếng Việt được thu thập từ các bài báo khoa học và sách giáo khoa. Bộ dữ liệu được gán nhãn đầy đủ cho 03 lớp đối tượng đồ họa (hình, bảng, chú thích) và nội dung văn bản tương ứng của các chú thích.

3. Những mô hình phát hiện đối tượng và nhận diện văn bản nào đã được khảo sát thực nghiệm?

Khóa luận đã khảo sát và thực nghiệm các phương pháp phát hiện đối tượng: Faster R-CNN, Cascade R-CNN, Dynamic R-CNN, Libra R-CNN, Double-Head R-CNN, Guided Anchoring, cùng các đề xuất cải tiến như Guided Anchoring Cascade R-CNN và CDeRSNet. Về nhận dạng văn bản, các mô hình được nghiên cứu gồm CRNN, SAR, NRTR, RobustScanner, SATRN và ABINet.

4. Đề tài sử dụng những độ đo nào để đánh giá hiệu năng mô hình?

Hiệu năng phát hiện đối tượng trang tài liệu được đánh giá bằng độ đo $mAP$ (mean Average Precision) tại các ngưỡng IoU khác nhau. Hiệu năng nhận diện văn bản chú thích được đánh giá thông qua $WER$ (Word Error Rate) và $CER$ (Character Error Rate).

5. Kết quả của khóa luận đã đạt được những công bố khoa học nào?

Công trình đã công bố 04 công trình khoa học quốc tế, bao gồm 02 bài báo tại hội nghị quốc tế hạng B (CAIP 2021, MMM 2022), 01 bài báo hội nghị thuộc danh mục Scopus (NICS) và 01 bài báo trên tạp chí khoa học quốc tế ISI Q1 (IEEE Access).

Kết luận

Khóa luận tốt nghiệp "Phân tích ấn phẩm tiếng Việt" đã giải quyết bài toán đọc hiểu tài liệu dạng ảnh tiếng Việt thông qua khung làm việc kết hợp hai giai đoạn: phát hiện đối tượng trang và nhận diện văn bản chú thích. Nhóm tác giả đã đóng góp bộ dữ liệu chuẩn UIT-DODV-Ext gồm 5.000 ảnh tài liệu thực tế, đồng thời đề xuất các cải tiến kiến trúc học sâu nâng cao độ chính xác định vị và nhận diện ký tự tiếng Việt có dấu. Toàn bộ kết quả nghiên cứu được bảo chứng vững chắc bằng 04 công bố khoa học quốc tế (gồm 01 bài báo ISI Q1 và 03 bài báo hội nghị quốc tế uy tín), mang lại giá trị tham khảo học thuật sâu sắc cho lĩnh vực xử lý tài liệu số hóa tiếng Việt.