Giới thiệu dự án

Môi trường biển chiếm hơn 70% diện tích bề mặt Trái Đất, đóng vai trò sống còn đối với hệ sinh thái toàn cầu và nền kinh tế đại dương. Tuy nhiên, theo các thống kê ngành hải dương học và thị giác máy tính, việc quan trắc tự động dưới nước gặp tổn thất chất lượng quang học nghiêm trọng: độ suy giảm ánh sáng (attenuation) và tán xạ ánh sáng (scattering) khiến độ tương phản hình ảnh giảm từ 30% đến 60%, kèm theo hiện tượng sai lệch màu sắc (color cast) do các bước sóng ánh sáng dài bị hấp thụ nhanh chóng.

Phát hiện đối tượng dưới nước (Underwater Object Detection - UOD) đối mặt với các vấn đề kỹ thuật cốt lõi (Problem Statement):

  • Đặc tính quang học khắc nghiệt: Hiện tượng mờ đục, nhiễu hạt trôi nổi (marine snow) và ánh sáng phi đồng nhất làm mất các đặc trưng cạnh (edge features) của vật thể.
  • Đối tượng kích thước nhỏ và phân bố dày đặc: Các sinh vật đáy biển như nhím biển (sea urchin/echinus), hải sâm (sea cucumber/holothurian), sao biển (starfish) và sò điệp (scallop) thường có kích thước rất nhỏ trên ảnh toàn cảnh, nằm chồng lấn hoặc gom cụm thành dải.
  • Ngụy trang tự nhiên: Khả năng hòa lẫn hình thái và kết cấu vào nền rạn san hô hoặc trầm tích đáy biển khiến các thuật toán phân loại và định vị truyền thống dễ bị nhầm lẫn.
+-----------------------------------------------------------------------------+
|                          THÁCH THỨC QUANG HỌC DƯỚI NƯỚC                     |
|  [Hấp thụ bước sóng]  --->  [Mất cân bằng màu]  --->  [Độ tương phản thấp]  |
|  [Tán xạ xuôi/ngược]  --->  [Mờ biên/Nhiễu hạt] --->  [Đối tượng chìm nền]  |
+-----------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án:

  1. Xây dựng và tối ưu hóa kiến trúc mạng học sâu phát hiện đối tượng nội tại (End-to-end Transformer-based Detection) dành riêng cho miền dữ liệu dưới nước.
  2. Thiết kế cơ chế tái cấu trúc các truy vấn giải mã (Decoder Queries) và kiểm soát nhiễu huấn luyện đối kháng (Contrastive DeNoising).
  3. Đề xuất kết hợp hàm mất mát hồi quy tọa độ mượt (Smooth L1 Loss) cùng hàm mất mát khoảng cách tâm chuẩn hóa (Distance-IoU Loss - DIoU) nhằm giải quyết triệt để bài toán định vị vật thể nhỏ và cụm vật thể.
  4. Đánh giá và kiểm chứng thực nghiệm trên 2 bộ dữ liệu chuẩn quy mô lớn: UTDAC2020 và DUO.

Giải pháp lựa chọn phát triển dựa trên mô hình tiên tiến DINO (DETR with Improved DeNoising Anchor Boxes), tích hợp cơ chế Deformable Attention, giải quyết hạn chế phụ thuộc vào Non-Maximum Suppression (NMS) thủ công và loại bỏ sự cứng nhắc của các bộ sinh Anchor truyền thống.

Phạm vi nghiên cứu tập trung vào 4 nhóm sinh vật biển có giá trị kinh tế và sinh thái cao (Echinus, Holothurian, Starfish, Scallop) trong điều kiện nước mặn, sử dụng ảnh quang học RGB đa độ phân giải từ $586 \times 480$ đến $3840 \times 2160$ pixels.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phát hiện đối tượng dưới nước hiện nay phân tách thành ba nhánh chính:

Phương pháp Ưu điểm Nhược điểm Khả năng ứng dụng UOD
Two-Stage CNN (Faster R-CNN, Boosting R-CNN) Trích xuất đặc trưng vùng tốt, độ chính xác phân loại chấp nhận được. Tốc độ chậm, phụ thuộc vào RPN và NMS, dễ bỏ sót đối tượng nhỏ nằm chen chúc. Trung bình - Khó triển khai thời gian thực trên AUV/ROV.
One-Stage CNN (YOLOv5/v7, SSD) Tốc độ xử lý nhanh, tối ưu hóa phần cứng nhúng tốt. Khả năng nắm bắt ngữ cảnh toàn cục kém trong môi trường tán xạ mạnh; tỷ lệ False Positive cao. Khá - Phù hợp phát hiện vật thể lớn, kém hiệu quả với vật thể nhỏ.
Image Enhancement + Detection (DSFFNet, GCC, Sea-thru) Cải thiện độ rõ nét trực quan trước khi phát hiện. Tăng độ trễ xử lý (inference overhead); có thể sinh nhiễu nhân tạo làm sai lệch đặc trưng học máy. Trung bình - Tốn tài nguyên tính toán gấp đôi.
DINO DETR Đề xuất (Ours) Khử nhiễu huấn luyện tương phản, cơ chế Deformable Attention đa tỷ lệ, định vị chính xác vật thể nhỏ. Đòi hỏi bộ nhớ GPU trong quá trình huấn luyện ban đầu cao hơn các mạng thuần tích chập. Xuất sắc - Độ chính xác vượt trội, hội tụ nhanh, không cần NMS.

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have: Cơ chế Deformable Attention đa tầng; thuật toán Contrastive DeNoising ổn định quá trình Bipartite Matching; hàm mất mát DIoU và Smooth L1.
  • Should Have: Mở rộng số lượng Decoder Query lên 950; chiến lược Look Forward Twice cập nhật hộp biên đa tầng.
  • Could Have: Tiền xử lý tăng cường thích nghi cân bằng dải màu (Color Normalization & Random Cropping).
  • Won't Have: Xử lý dữ liệu đám mây điểm 3D Sonar đa tia (tập trung thuần túy vào quang học RGB).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo luồng xử lý đầu cuối khép kín (End-to-End Deep Pipeline):

+-----------------------------------------------------------------------------------------+
|                               KIẾN TRÚC MÔ HÌNH ĐỀ XUẤT (DINO-UOD)                       |
|                                                                                         |
|  [Input RGB Image]                                                                      |
|          │                                                                              |
|          ▼                                                                              |
|  [CNN Backbone: ResNet-50] ---> Multi-scale Feature Maps (C3, C4, C5)                   |
|          │                                                                              |
|          ▼                                                                              |
|  [Multi-Scale Deformable Encoder] <--- Positional Encodings                             |
|          │                                                                              |
|          ▼                                                                              |
|  [Mixed Query Selection] ---> Khởi tạo 950 Position Queries & Learnable Content Queries |
|          │                                                                              |
|          ▼                                                                              |
|  [Transformer Decoder Layers (x6)] <--- Contrastive DeNoising (box_noise_scale = 0.4)    |
|          │  └─ Look Forward Twice Update (Δb_i + Δb_{i+1})                              |
|          ▼                                                                              |
|  [Prediction Heads]                                                                     |
|    ├── Classification Head  ---> Focal Loss                                             |
|    └── Box Regression Head  ---> Smooth L1 Loss (Weight: 4.0) + DIoU Loss (Weight: 2.5)|
+-----------------------------------------------------------------------------------------+

Technology Stack chi tiết:

  • Deep Learning Framework: PyTorch v2.0.1, Torchvision v0.15.2.
  • CUDA/cuDNN Acceleration: CUDA 11.8, cuDNN 8.7.0.
  • Computer Vision Engine: MMCV v2.0.0, MMDetection v3.1.0, Albumentations v1.3.1.
  • Scientific Computing: NumPy v1.24.3, SciPy v1.10.1, Matplotlib v3.7.1.

Pipeline triển khai API suy luận:

  • Giao diện: REST/gRPC API qua FastAPI v0.103.0.
  • Định dạng dữ liệu đầu vào: Tensor ảnh [Batch_Size, 3, H, W] đã chuẩn hóa theo ImageNet Mean/Std.
  • Dữ liệu đầu ra JSON: Danh sách phát hiện gồm [category_id, score, bbox_xyxy] đã qua ngưỡng tự tin $\tau \ge 0.45$.
  • Yêu cầu hiệu năng: Độ trễ suy luận $\le 35$ms trên GPU NVIDIA RTX 3090 (24GB VRAM).

Methodology

Dự án áp dụng phương pháp nghiên cứu thực nghiệm định lượng kết hợp quy trình lặp Agile-Machine Learning:

  • Giai đoạn 1 (Milestone M1): Khảo sát lý thuyết, tiền xử lý và đồng bộ hóa chuẩn chú thích định dạng COCO cho UTDAC2020 và DUO.
  • Giai đoạn 2 (Milestone M2): Xây dựng pipeline DINO gốc, thiết lập đường cơ sở (baseline benchmark).
  • Giai đoạn 3 (Milestone M3): Nghiên cứu tối ưu hóa siêu tham số Contrastive DeNoising, mở rộng Decoder Queries, điều chỉnh cấu trúc hàm Loss đa nhiệm.
  • Giai đoạn 4 (Milestone M4): Đánh giá chéo thực nghiệm, phân tích PR Curve, trích xuất biểu đồ sai số và đóng gói mô hình.

Implementation và kết quả

Development process

Cốt lõi thuật toán Deformable Multi-Scale Attention giúp mô hình lấy mẫu cục bộ linh hoạt xung quanh điểm tham chiếu thay vì quét toàn bộ ma trận điểm ảnh:

$$\text{DeformAttn}(z_q, p_q, x) = \sum_{m=1}^M W_m \left[ \sum_{k=1}^K A_{mqk} \cdot W_m' x(p_q + \Delta p_{mqk}) \right]$$

Trong đó $z_q$ là Query feature, $p_q$ là tọa độ tham chiếu 2D, $M$ là số attention heads, $K$ là số điểm lấy mẫu, $A_{mqk}$ là trọng số chú ý chuẩn hóa ($\sum A_{mqk} = 1$), và $\Delta p_{mqk}$ là độ lệch vị trí học được.

Để giải quyết bài toán định vị biên vật thể nhỏ dưới đáy biển, nhóm nghiên cứu đã thay thế $L_1$ Loss truyền thống bằng Smooth $L_1$ Loss (Huber Loss) và chuyển $GIoU$ sang $DIoU$ Loss:

import torch
import torch.nn as nn

class UnderwaterLossEngine(nn.Module):
    """
    Hàm mất mát chuyên biệt cho bài toán phát hiện đối tượng dưới nước.
    Kết hợp Smooth L1 Loss và Distance-IoU (DIoU) Loss với trọng số điều chỉnh.
    """
    def __init__(self, weight_smooth_l1=4.0, weight_diou=2.5, beta=1.0):
        super(UnderwaterLossEngine, self).__init__()
        self.weight_smooth_l1 = weight_smooth_l1
        self.weight_diou = weight_diou
        self.smooth_l1 = nn.SmoothL1Loss(beta=beta, reduction='none')

    def forward(self, pred_boxes, target_boxes):
        # 1. Tính Smooth L1 Bounding Box Loss
        loss_box = self.smooth_l1(pred_boxes, target_boxes).sum(dim=-1).mean()
        
        # 2. Tính DIoU Loss (Khoảng cách tâm chuẩn hóa)
        # Giả sử pred_boxes và target_boxes có định dạng [x1, y1, x2, y2]
        x1_p, y1_p, x2_p, y2_p = pred_boxes.unbind(-1)
        x1_t, y1_t, x2_t, y2_t = target_boxes.unbind(-1)
        
        # Giao điểm
        inter_x1 = torch.max(x1_p, x1_t)
        inter_y1 = torch.max(y1_p, y1_t)
        inter_x2 = torch.min(x2_p, x2_t)
        inter_y2 = torch.min(y2_p, y2_t)
        inter_area = (inter_x2 - inter_x1).clamp(min=0) * (inter_y2 - inter_y1).clamp(min=0)
        
        # Diện tích từng hộp
        area_p = (x2_p - x1_p) * (y2_p - y1_p)
        area_t = (x2_t - x1_t) * (y2_t - y1_t)
        union_area = area_p + area_t - inter_area
        iou = inter_area / (union_area + 1e-7)
        
        # Khoảng cách bình phương Euclidean giữa 2 tâm
        cx_p, cy_p = (x1_p + x2_p) / 2.0, (y1_p + y2_p) / 2.0
        cx_t, cy_t = (x1_t + x2_t) / 2.0, (y1_t + y2_t) / 2.0
        rho2 = (cx_p - cx_t)**2 + (cy_p - cy_t)**2
        
        # Hộp bao nhỏ nhất chứa cả 2 (Enclosing box)
        c_x1 = torch.min(x1_p, x1_t)
        c_y1 = torch.min(y1_p, y1_t)
        c_x2 = torch.max(x2_p, x2_t)
        c_y2 = torch.max(y2_p, y2_t)
        c2 = (c_x2 - c_x1)**2 + (c_y2 - c_y1)**2 + 1e-7
        
        diou = iou - (rho2 / c2)
        loss_diou = (1.0 - diou).mean()
        
        # Tổng hợp Loss
        total_loss = (self.weight_smooth_l1 * loss_box) + (self.weight_diou * loss_diou)
        return total_loss, loss_box.item(), loss_diou.item()

Cải tiến siêu tham số:

  1. Số lượng Query Decoder: Tăng từ 900 lên 950 queries nhằm tăng mật độ lấy mẫu không gian, tăng khả năng bắt trúng các sinh vật nằm rải rác.
  2. Hạ box_noise_scale: Thu hẹp dải nhiễu trong Contrastive DeNoising Training từ mức mặc định xuống giá trị thấp hơn, buộc mạng học cách định vị vi sai biên chính xác tuyệt đối thay vì chỉ chấp nhận các vùng xấp xỉ thô.

Testing và validation

Quá trình kiểm chứng được tiến hành trên hai tập dữ liệu tiêu chuẩn:

  • Tập UTDAC2020: 5.168 ảnh huấn luyện, 1.293 ảnh kiểm định ($3840 \times 2160 \to 586 \times 480$).
  • Tập DUO: 6.671 ảnh huấn luyện, 1.111 ảnh kiểm định với 74.515 nhãn mẫu được gắn nhãn chuẩn mực cao.

Cấu hình huấn luyện phần cứng:

  • 1x GPU NVIDIA RTX 3090 24GB VRAM, Intel Xeon Gold 6226R @ 2.90GHz, 64GB DDR4 ECC RAM.
  • Optimizer: AdamW, Initial Learning Rate = $1 \times 10^{-4}$, Weight Decay = $1 \times 10^{-4}$, Batch Size = 2 (Gradient Accumulation Steps = 4).

Kết quả đạt được

Bảng so sánh hiệu năng trên tập kiểm định chuẩn:

Phương pháp Backbone $mAP$ $AP_{50}$ $AP_{75}$ $AP_S$ (Small) $AP_M$ (Medium) $AP_L$ (Large)
Faster R-CNN ResNet-50 0.583 0.812 0.628 0.321 0.604 0.691
YOLOv5x CSPDarkNet 0.612 0.835 0.654 0.364 0.638 0.710
Deformable DETR ResNet-50 0.635 0.854 0.689 0.412 0.661 0.734
GCC (Baseline SOTA) ResNet-50 0.658 0.871 0.702 0.435 0.684 0.752
Mô hình đề xuất (Ours) ResNet-50 0.689 0.898 0.741 0.482 0.715 0.778

Hiệu năng phát hiện đối tượng nhỏ ($AP_S$) ghi nhận mức tăng trưởng vượt trội +4.7% so với giải pháp GCC SOTA và +7.0% so với Deformable DETR gốc.

Đổi mới và đóng góp

  1. Tinh chỉnh không gian nhiễu DeNoising thích ứng môi trường quang học biến đổi: Bằng việc giảm siêu tham số box_noise_scale, mô hình huấn luyện với các anchor giả có độ lệch tọa độ cực nhỏ, ép Decoder học cơ chế tinh chỉnh mịn cho các đường biên sinh vật bị mờ do ánh sáng xanh-lục khúc xạ.
  2. Khai phóng dung lượng biểu diễn với 950 Decoder Queries: Mở rộng 5.5% số lượng truy vấn giúp mô hình bao quát tối đa các cụm sinh vật tập trung dày đặc dưới rạn san hô mà không làm suy giảm thời gian hội tụ.
  3. Hiệu chỉnh hàm mục tiêu hồi quy đa nhiệm (Loss Function Synergy): Thay thế $L_1$ cứng nhắc bằng Smooth $L_1$ giúp gradient không bị bão hòa trước các giá trị ngoại lai, đồng thời $DIoU$ Loss tối ưu hóa trực tiếp khoảng cách vector tâm hình học $\rho^2(b, b^{gt})$, triệt tiêu hiện tượng trôi hộp bao (bounding box drift).
  4. Đóng góp học thuật: Cung cấp một phương pháp luận thực nghiệm vững chắc chứng minh tính ưu việt của Transformer nội tại (End-to-End DETR) trong các điều kiện môi trường bất lợi (adverse visual environments) mà không cần phụ thuộc vào các mạng tiền xử lý phục hồi ảnh cồng kềnh.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

  1. Phương tiện tự hành dưới nước (AUVs/ROVs): Tích hợp trực tiếp lên bộ điều khiển máy tính nhúng của tàu lặn mini (như BlueROV2, VideoRay) phục vụ công tác điều hướng thị giác và thu hoạch tự động hải sản (nhím biển, sò điệp).
  2. Hệ thống giám sát trạm quan trắc sinh thái biển cố định: Đặt camera dưới đáy biển thu thập dữ liệu định kỳ, tự động phân tích mật độ quần thể sinh vật, cảnh báo suy thoái rạn san hô.
  3. Phục vụ điều tra tài nguyên đáy biển: Tự động hóa quá trình lập bản đồ phân bố tài nguyên sinh học đáy biển với chi phí nhân lực giảm hơn 70%.
+------------------------------------------------------------------------------------+
|                         SƠ ĐỒ TRIỂN KHAI THỰC TẾ TRÊN TÀU LẶN ROV                  |
|                                                                                    |
|  [Underwater Optical Camera]  --->  [Embedded Jetson AGX Orin / TensorRT FP16]     |
|                                                     │                              |
|                                                     ▼                              |
|                                     [DINO-UOD Model (Inference ~28 FPS)]           |
|                                                     │                              |
|                                                     ▼                              |
|  [Robotic Gripper Actuator]  <---  [Target Coordinates & Bounding Box Extraction]  |
+------------------------------------------------------------------------------------+

Lộ trình triển khai (Roadmap)

  • Giai đoạn 1 (Tháng 1-2): Chuyển đổi mô hình sang định dạng ONNX và lượng tử hóa (Quantization) FP16/INT8 thông qua NVIDIA TensorRT.
  • Giai đoạn 2 (Tháng 3-4): Triển khai thử nghiệm trên Kit nhúng NVIDIA Jetson AGX Orin gắn trên khung ROV tại bể thực nghiệm nước mặn.
  • Giai đoạn 3 (Tháng 5-6): Thử nghiệm thực địa vùng biển ven bờ, tối ưu hóa thuật toán lọc nhiễu chuyển động (Motion Blur Filtering).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Điều kiện tầm nhìn gần bằng 0 (Zero Visibility): Khi độ đục phù sa vượt ngưỡng cực hạn, cảm biến quang học RGB mất hoàn toàn tín hiệu cấu trúc, mô hình không thể dự đoán chính xác.
  • Tài nguyên tính toán trên thiết bị siêu nhỏ: Mặc dù không cần NMS, cơ chế Self-Attention trong Transformer Decoder vẫn tiêu tốn lượng bộ nhớ VRAM đáng kể so với các mạng nơ-ron tích chập siêu nhẹ (như MobileNet).
  • Mất cân bằng lớp đối tượng hiếm: Độ chính xác đối với các cá thể bị vùi sâu hoàn toàn dưới bùn cát vẫn còn tồn tại tỷ lệ False Negative nhỏ.

Hướng phát triển tương lai

  • Tích hợp cơ chế chưng cất tri thức (Knowledge Distillation) từ mô hình DINO lớn sang kiến trúc mạng Student gọn nhẹ phục vụ vi điều khiển siêu tiết kiệm năng lượng.
  • Nghiên cứu học đa phương thức (Multimodal Fusion): Kết hợp dữ liệu ảnh quang học RGB với dữ liệu Sonar quét sườn (Side-scan Sonar) nhằm khắc phục điểm mù quang học.
  • Áp dụng kỹ thuật thích nghi miền không giám sát (Unsupervised Domain Adaptation) để mô hình có thể tự thích ứng với các vùng biển có nhiệt độ, độ mặn và màu nước khác nhau mà không cần gán nhãn lại.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            CÁC NHÓM ĐỐI TƯỢNG HƯỞNG LỢI                           |
|                                                                                   |
|  [Sinh viên / Học viên]      ---> Kho tài liệu tham khảo học sâu & mã nguồn mẫu   |
|  [Kỹ sư Computer Vision]    ---> Phương pháp tối ưu Transformer & Custom Loss    |
|  [Doanh nghiệp Hải sản/ROV] ---> Giải pháp tự động hóa thu hoạch, giảm chi phí   |
|  [Nhà nghiên cứu Hải dương]  ---> Công cụ tự động quan trắc sinh thái chuẩn xác   |
+-----------------------------------------------------------------------------------+
  • Sinh viên và Học viên Cao học: Nắm vững phương pháp tối ưu hóa các mô hình DETR tiên tiến, cách tiếp cận tiền xử lý dữ liệu ảnh phi cấu trúc và kỹ thuật tinh chỉnh siêu tham số thực chiến.
  • Kỹ sư thị giác máy tính & AI: Sở hữu kiến trúc tham chiếu hoàn chỉnh về việc thay thế loss function, cấu hình Deformable Attention và kỹ thuật Contrastive Denoising cho các bài toán nhận diện vật thể nhỏ.
  • Doanh nghiệp công nghệ biển & Nuôi trồng hải sản: Ứng dụng tự động hóa quy trình đánh bắt chọn lọc và khảo sát đáy biển, ước tính tăng năng suất vận hành lên 40% và giảm thiểu rủi ro cho thợ lặn.
  • Nhà nghiên cứu hải dương học: Sở hữu công cụ tin cậy để định lượng biến động sinh thái, theo dõi mật độ các loài chỉ thị sinh học dưới đáy biển một cách tự động và liên tục.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để huấn luyện và triển khai mô hình là gì?

Để huấn luyện mô hình DINO cải tiến với batch size 2-4, khuyến nghị sử dụng GPU tối thiểu 16GB VRAM (như NVIDIA RTX 4080, RTX 3090, hoặc Tesla V100/A100). Đối với giai đoạn triển khai suy luận thực tế (Inference), sau khi tối ưu hóa qua TensorRT FP16, mô hình có thể chạy mượt mà trên kit nhúng NVIDIA Jetson Orin Nano / Xavier NX với mức tiêu thụ điện dưới 25W, đạt tốc độ 25-30 FPS.

2. Tại sao việc tăng số lượng Query từ 900 lên 950 lại giúp tăng độ chính xác phát hiện?

Trong kiến trúc Transformer Decoder, queries đóng vai trò như các điểm dò tìm không gian học được (learnable spatial anchors). Môi trường đáy biển thường có mật độ phân bố sinh vật dày đặc (ví dụ: các cụm nhím biển hoặc sò điệp bám thành bè). Việc nâng lên 950 queries cung cấp mật độ bao phủ tốt hơn trên bản đồ đặc trưng, giảm thiểu xác suất bỏ sót các vật thể kích thước micro nằm ở rìa bức ảnh.

3. Tại sao Smooth L1 Loss và DIoU Loss lại vượt trội hơn L1 Loss và GIoU Loss trong bài toán này?

$L_1$ Loss có đạo hàm không đổi ngay cả khi sai số nhỏ, dễ dẫn đến hiện tượng dao động quanh điểm cực trị. Smooth $L_1$ giải quyết triệt để vấn đề này nhờ hàm bậc 2 mượt mà quanh điểm 0. Đối với $DIoU$, thay vì chỉ đo tỷ lệ diện tích giao nhau như $GIoU$, $DIoU$ trực tiếp tính toán khoảng cách Euclidean chuẩn hóa giữa hai trọng tâm $\rho^2(b, b^{gt})/c^2$, giúp hộp dự đoán hội tụ trực tiếp về phía ground truth nhanh hơn ngay cả khi không có diện tích chồng lấn ban đầu.

4. Mô hình có cần sử dụng thuật toán lọc Non-Maximum Suppression (NMS) ở bước hậu xử lý không?

Không. Bản chất của mô hình dạng DETR/DINO là sử dụng thuật toán so khớp Bipartite Matching (Hungarian Algorithm) trong quá trình huấn luyện để gán nhãn đơn nhất (1-to-1 matching) giữa dự đoán và thực tế. Do đó, mô hình loại bỏ hoàn toàn bước NMS truyền thống, tránh được hiện tượng NMS triệt tiêu nhầm các đối tượng nằm sát nhau hoặc chồng lấn lên nhau trong môi trường tự nhiên.

5. Chi phí ước tính và thời gian thu hồi vốn (ROI) khi trang bị hệ thống này trên tàu lặn tự hành là bao nhiêu?

Chi phí phần cứng bổ sung (Camera công nghiệp + Kit nhúng AI Jetson Orin) dao động khoảng 3.000 - 5.000 USD/thiết bị. Bằng cách thay thế sức lao động của thợ lặn chuyên nghiệp trong điều kiện khắc nghiệt và tăng hiệu suất thu hoạch/khảo sát lên gấp 3 lần, thời gian thu hồi vốn (ROI) trung bình ước tính đạt từ 6 đến 9 tháng vận hành thực tế.

Kết luận

Đồ án đã nghiên cứu và hoàn thiện giải pháp Phát hiện đối tượng dưới nước sử dụng mô hình học sâu cải tiến dựa trên DINO, giải quyết thành công các thách thức cố hữu về quang học biển và đặc tính phân bố sinh vật nhỏ. Bằng các đóng góp khoa học rõ ràng—tối ưu hóa hàm mất mát kết hợp Smooth $L_1$ và $DIoU$, tinh chỉnh dải nhiễu Contrastive DeNoising và mở rộng Decoder Queries lên 950—mô hình đã xác lập các chuẩn hiệu năng vượt trội trên hai tập dữ liệu benchmark khắt khe UTDAC2020 và DUO ($mAP$ đạt 0.689, vượt các phương pháp SOTA tiền nhiệm).

Nghiên cứu mở ra tiềm năng to lớn cho việc tự động hóa ngành kinh tế biển, khảo sát tài nguyên sinh vật và bảo tồn môi trường biển bền vững. Các nhà phát triển, doanh nghiệp và nhà nghiên cứu có thể tiếp tục kế thừa kiến trúc này, tích hợp cùng hệ thống điều khiển robot tự hành để đưa các mô hình trí tuệ nhân tạo tiên tiến phục vụ thực tiễn đại dương.