Chương 1: Mỡ đầu Chương này sẽ giới thiệu tông quan vẻ dé tài nghiên cứu. Dau tiên, nó sẽ trình bay lý do vì sao dé tài được chọn, bao gồm tam quan trọng và tính cấp thiết của vấn 3 dé. Sau đó, mục tiêu và đối tượng của nghiên cứu sẽ được đề cập, cùng với phạm vi của nghiên cứu. Phương pháp nghiên cứu sẽ được giới thiệu chỉ tiết, bao gồm cả phương pháp thu thập dữ liệu và phương pháp xử lý dữ liệu.
Tiếp theo, ý nghĩa khoa học và thực tiễn của nghiên cứu sẽ được đẻ cập, đặc biệt là những đóng góp mới của nghiên cứu đối với lĩnh vực liên quan. Chương 2: Tổng quan tình hình nghiên cứu Chương nảy giới thiệu tong quan tinh hình nghiên cứu của bài toán hiện tại, giới thiệu về các tập dữ liệu tiêu chuân đang được các nhà nghiên cứu sử dụng, trình bảy các phương pháp sử dụng học sâu và những công trình tiêu biêu tương ứng với từng phương pháp. Chương 3: Cơ sở lý thuyết Chương này tập trung vảo việc trình bảy các khái niệm lý thuyết cơ bản liên quan đến đẻ tài nghiên cứu. Đầu tiên, chương sẽ giải thích các khái niệm cơ bản về học sâu va các mô hình học sâu phô biến được sử dụng trong lĩnh vực phát hiện đỗi tượng dưới nước.
Sau đó là các mô hình phát hiện đối tượng. Chương 4: Phương pháp phát hiện đối tượng đưới nước sử đụng mô hình học sâu Trong chương này, phương pháp cụ thể và chỉ tiết liên quan đến quá trình phát hiện đối tượng dưới nước sử dụng mô hinh học sâu sẽ được trình bày. Chương sẽ mô tả kiến trúc mô hình học sâu cụ thẻ và cách áp dụng chúng vào bài toán phát hiện đối tượng dưới nước sẽ được trình bày. Ngoài ra, chương cũng sẽ thảo luận về các kỹ thuật đánh giá hiệu suất của mô hình và cách tinh chỉnh tham số dé cải thiện kết quả.
Chương 5: Dữ liệu, Thực nghiệm và Đánh giá Chương này sẽ trình bày về dữ liệu dùng đề huấn luyện và đánh giá, cũng như các tiêu chí đánh giá hiệu suất của mô hình trong việc phát hiện đối tượng dưới nước. Đầu tiên, phan nay sẽ mô tả các nguồn dữ liệu được sử dụng trong nghiên cứu. Cudi cùng, chương sẽ trình bay va phân tích kết quả thực nghiệm dé đánh giá hiệu suất của mô hình và đưa ra những kết luận và nhận xét về độ chính xác vả tính ứng dụng của 4 phương pháp đã áp dụng. Chương 6: Kết luận và hướng pháp triển Tông kết lại kết quả đã đạt được và chưa đạt được sau quá trình nghiên cứu, tiễn hành thực nghiệm.
Từ đó nêu lên những hướng nghiên cứu và phát triển tiếp theo trong tương lai đề nâng cao hiệu suat cũng như đê khác phục các hạn chê hiện tại. TONG QUAN TINH HÌNH NGHIÊN CUU 2. Tông quan Trong thoi đại công nghệ hiện đại, việc khám phá và nghiên cứu dưới lòng biên đã trở thành một lĩnh vực quan trọng và hứa hẹn. Từ việc khám phá đáy biển.
quan lý tài nguyên dưới nước, đến việc nghiên cứu và bảo vệ môi trường bién, các ứng dụng của khoa học biển đã trở nên đa dang và thiết yếu đối với sự phát trién bền vững của hành tinh. Một trong những nhiệm vụ quan trọng nhất trong lĩnh vực này là khả năng phát hiện và theo dõi đối tượng dưới nước, như sinh vật biển, cấu trúc dưới nước, hoặc các đôi tượng quan trọng như tảu biên và thiết bị khoa hoc. Dé thực hiện điều nay, chúng ta đã chuyền từ sử dụng các phương pháp truyền thống như sử dụng thiết bị do tìm cơ bản như sonar (sóng âm) hoặc radar (sóng vô tuyến) và máy quay dưới nước đến sự kết hợp mạnh mẽ của học máy và học sâu dé phát trién các mô hình phat hiện đối tượng dưới nước tiên tiền. Những năm gan đây, su phát trién của học sâu (deep learning) đã thúc day nghiên cứu trong lĩnh vực này lên một tam cao mới.
Hiện nay, phát hiện đôi tượng dưới nước dựa trên deep learning đã trở thành phương pháp phô biến nhất và mạnh mẽ nhất. Tuy nhiên, để đạt được hiệu suất phát hiện ấn tượng trong môi trường dưới nước không phải là một nhiệm vụ dé đàng. Một trong những thách thức lớn là sự hạn chế về lượng dữ liệu dưới nước hiện có, nhiều nghiên cứu đã tập trung vào việc tăng cường độ đa dạng của đữ liệu thông qua các phương pháp tăng cường dữ liệu như sử dụng tăng cường dữ liệu kết hợp với Faster R-CNN [17]. Nỗi bật gan đây, Lin cùng cộng sự [36] đã dé xuất một phương pháp tạo dữ liệu bỗ sung cho việc phát hiện đối tượng dưới nước gọi là RoIMix.
Khác với các phương pháp tăng cường dữ liệu truyền thông thường chi tác động trên một ảnh đơn lẻ, RoIMix tập trung vào tương tác giữa nhiều ảnh khác nhau. Ý tưởng chính của RoIMix là kết hợp các dé xuất vùng quan tâm được trích xuất từ nhiều ảnh khác nhau dé tạo ra các mẫu dit liệu ảo mới. Quá trình kết hợp này được gọi là "proposal-fusion”. Bằng cách kết hợp các proposals 6 từ nhiều anh, RoIMix có thé mô phỏng các tình huống chồng lan, che khuất và mờ đối tượng một cách hiệu quả.
Trong RoIMix, các tỷ lệ kết hợp giữa các proposals được điều chỉnh bằng các công điều khién. Các thir nghiệm trên tập dữ liệu URPC và Pascal VOC đã chứng minh RoIMix đem lại hiệu suất phát hiện đối tượng cao hơn so với phương pháp cơ sở và các biên thê khác. Ngoài ra, nhiều nghiên cứu đã tập trung vào việc cai thiện hiệu suất phát hiện bằng cách nâng cao khả năng trích xuất đặc trưng. Chen cùng cộng sự [23] đẻ xuất một kiến trúc mạng nơron sâu mới có tên SWIPENet (Sample-Weighted Hyper Network) để cải thiện phát hiện đối tượng nhỏ.
SWIPENet sử dụng Dilated Convolution Layers và Skip Connections đê tăng cường thông tin ngữ nghĩa và chỉ tiết không gian, cũng như sử dụng nhiều Hyper Feature Maps dé phát hiện đôi tượng ở nhiều tỷ lệ khác nhau. Nhóm tác giả còn giới thiệu một hàm mất trọng số mẫu mới cho phép SWIPENet tập trung huấn luyện trên các mẫu có trọng số cao hơn va bỏ qua các mẫu có trọng số thấp và thuật toán Invert Multi-Class Adaboost (IMA) đẻ giảm ảnh hưởng của nhiễu bằng cách giảm trọng số của các đối tượng bị bỏ sót trong quá trình huấn luyện. Nhược điểm là độ phức tạp tính toán cao hơn M lần so với mô hình đơn lẻ (M là số lần lặp của IMA). Bên cạnh đó, Song cùng cộng sự đã dé xuất một mô hình gọi là Boosting R-CNN [29], là một mô hình phát hiện đổi tượng hai giai đoạn tạo ra các dé xuất chất lượng cao với xác suat tiên nghiệm tương ứng.
Một vẫn dé quan trọng khác trong phát hiện đối tượng dưới nước là chất lượng hình ảnh. Môi trường dưới nước thường gặp các thách thức như độ tương phản thấp. điều kiện ánh sáng biến đổi va sự thay đổi chất lượng nước. Do đó, nhiều nghiên cứu đã thử nghiệm việc sử dụng cái thiện hình anh dưới nước (Underwater Image Enhancement) làm bước tiền xử lý và thực hiện phát hiện đỗi tượng trên các hình ảnh được cải thiện này.
Yi Tang và cộng sự [34] đã trình bay một phương pháp nâng cao chất lượng hình ảnh bằng mô hình khuếch tán (Diffusion Model) trong cảnh dưới nước. Phương pháp này điều chỉnh các mô hình xác suất khuếch tán khử nhiễu có điều kiện để tạo ra hình ảnh nâng cao tương ứng bằng cách sử dụng hình ánh dưới nước và nhiễu Gaussian làm đầu vào. Đề nâng cao hiệu quả của quá trình ngược lại trong mô hình khuếch tán, mô hình sử dụng hai phương pháp khác nhau. Mô hình đề 7 xuất một mạng khử nhiễu dựa trên Transformer-based, thúc day hiệu quả thời gian chuyên tiếp mạng trên mỗi lần lặp.
Sau đó, mô hình giới thiệu một chiến lược lay mẫu bỏ qua dé giảm số lần lặp. Dựa trên chiến lược lấy mẫu bỏ qua (skip sampling strategy), mô hình đề xuất hai phương pháp lay mẫu không dong nhất (non-uniform sampling) khác nhau cho chuỗi các bước thời gian là lay mẫu từng phan và tìm kiếm bằng thuật toán tiễn hóa. Một nghiên cứu khác về việc sử dụng tương tác không gian-tần số và bản đồ độ dốc dé cải thiện hình ảnh dưới nước. Chen Zhao và cộng sự [5] phát trién một khung UIE mới dựa trên bản đô độ dốc va tương tác tan số không gian, cụ thé là SFGNet.
Mô hình gồm hai giai đoạn: Giai đoạn đầu tiên. sử dụng mạng hợp nhất tan số không gian day đặc (DSFFNet), chủ yếu bao gồm khối hợp nhất phạm vi day đặc và khối hợp nhất không gian dày đặc, đạt được tương tác tần số không gian đầy đủ bằng các kết nỗi chéo giữa hai khối này. Giai đoạn thứ hai,sử dụng bộ hiệu chỉnh nhận biết độ dốc (GAC ) dé nang cao hon nữa các chi tiết cam nhan va cầu trúc hình học của hình ảnh bằng bản đồ độ dốc. Bên cạnh đó, cũng có nghiên cứu cải thiện hình ảnh đưới nước bằng cách bù bước sóng và khử sương mù.
Chiang và cộng sự [21] dé xuất một cách tiếp cận có hệ thong mới dé nang cao hình ảnh dưới nước bằng thuật toán khử sương mù, dé bù đắp sự chênh lệch suy giảm dọc theo đường truyền va xem xét tác động của nguôn ánh sáng nhân tạo có thé có trong quá trình chụp ảnh. Sau khi ước tính bản đồ độ sâu, tức là khoảng cách giữa các đối tượng và máy ảnh, tiên cảnh và hậu cánh trong một cảnh sẽ được phân đoạn. Cường độ ánh sáng của tiền cảnh và hậu cảnh được so sánh dé xác định xem nguồn sáng nhan tao có được sử dụng trong quá trình chụp ảnh hay không. Sau khi bù hiệu ứng của ánh sáng nhân tao, hiện tượng sương mù và sự chênh lệch vẻ độ suy giảm bước sóng doc theo đường truyền dưới nước tới máy ảnh sẽ được khắc phục.
Tiếp theo, độ sâu của nước trong cảnh ảnh được ước tính theo tỷ lệ năng lượng dư của các kênh màu khác nhau tôn tại trong ánh sáng nẻn. Dựa trên mức độ giảm dan ứng với mỗi bước sóng ánh sáng, tiến hành bù thay đôi màu sắc để khôi phục lại sự cân bằng màu sắc. Mặt khác, Jie Li và cộng sự [20] sử dung mạng đối nghịch sinh (GAN) được § gọi là WaterGAN để tạo ra các hình ảnh dưới nước có tính thực tế từ các cặp ảnh và độ sâu trong không khí trong một ông dan không giám sát được sử dụng cho việc sửa màu của các hình ảnh dưới nước đơn mắt.