Phát Hiện Đối Tượng Dưới Nước Sử Dụng Mô Hình Học Sâu

Khóa luận tốt nghiệp nghiên cứu Phát hiện đối tượng dưới nước sử dụng mô hình học sâu khóa luận tốt nghiệp chuyên ngành khoa học, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Đề tài: Phát Hiện Đối Tượng Dưới Nước Sử Dụng Mô Hình Học Sâu

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.4.1. Phương pháp nghiên cứu lý thuyết
• 1.4.2. Phương pháp nghiên cứu thực nghiệm
• 1.5. Ý nghĩa khoa học và thực tiễn
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 2.1. Tổng quan
• 2.2. Các tập dữ liệu tiêu chuẩn
• 2.3. Phương pháp tiền xử lý dữ liệu hình ảnh
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Mô hình Transformer
• 3.2. Mô hình DINO
• 4. CHƯƠNG 4: PHƯƠNG PHÁP PHÁT HIỆN ĐỐI TƯỢNG DƯỚI NƯỚC SỬ DỤNG MÔ HÌNH HỌC SÂU
• 4.1. Tổng quan phương pháp
• 4.2. Mở rộng số lượng query của Decoder
• 4.3. Giảm giá trị box_noise_scale của DeNoising Training
• 4.4. Thay đổi về Loss
• 4.5. Các kỹ thuật đánh giá
• 5. CHƯƠNG 5: DỮ LIỆU, THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Cài đặt thực nghiệm
• 5.1.1. Thiết bị huấn luyện
• 5.1.2. Ngôn ngữ lập trình
• 5.1.3. Cấu hình huấn luyện
• 5.2. Đánh giá
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Ý nghĩa về mặt học thuật
• 6.2. Ý nghĩa về mặt thực tiễn
• 6.3. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan phương pháp phát hiện đối tượng dưới nước hiệu quả

Việc phát hiện đối tượng dưới nước (Underwater Object Detection - UOD) là một lĩnh vực nghiên cứu đầy thách thức và có ý nghĩa thực tiễn to lớn. Môi trường dưới nước, với sự đa dạng của sinh vật biển và các cấu trúc địa chất, ẩn chứa nhiều tiềm năng cho khoa học và kinh tế. Tuy nhiên, các điều kiện khắc nghiệt như ánh sáng yếu, màu sắc bị hấp thụ, và sự thay đổi liên tục của môi trường tạo ra rào cản lớn cho các phương pháp quan sát truyền thống. Sự phát triển của trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu (Deep Learning), đã mở ra một kỷ nguyên mới. Các mô hình này chứng tỏ khả năng vượt trội trong việc phân tích hình ảnh phức tạp, vượt qua những hạn chế của thị giác con người và các công cụ cũ. Nghiên cứu trong lĩnh vực này không chỉ góp phần phát triển khoa học máy tính mà còn thúc đẩy các ngành như hải dương học, quản lý tài nguyên biển và bảo vệ môi trường. Việc xây dựng một mô hình có khả năng nhận diện chính xác các sinh vật nhỏ trong môi trường biển là mục tiêu cốt lõi, đòi hỏi sự kết hợp giữa lý thuyết học sâu và các kỹ thuật xử lý ảnh tiên tiến.

1.1. Tầm quan trọng của học sâu trong nghiên cứu môi trường biển

Ứng dụng mô hình học sâu trong việc phát hiện đối tượng dưới nước mang lại ý nghĩa khoa học và thực tiễn sâu sắc. Về mặt khoa học, nó thúc đẩy sự phát triển của các thuật toán thị giác máy tính trong điều kiện phi lý tưởng, mở rộng giới hạn của AI từ môi trường thông thường sang môi trường dưới nước đầy biến động. Các nghiên cứu này cung cấp nền tảng để tối ưu hóa kiến trúc mạng nơ-ron, phát triển các hàm mất mát mới và kỹ thuật tăng cường dữ liệu chuyên biệt. Về mặt thực tiễn, công nghệ này có thể được triển khai để giám sát môi trường biển một cách tự động, theo dõi sự thay đổi của hệ sinh thái, phát hiện sớm các loài xâm lấn hoặc tình trạng ô nhiễm. Trong công nghiệp, nó giúp cải thiện hiệu suất khai thác tài nguyên biển và hỗ trợ các phương tiện tự hành dưới nước (AUVs) trong việc điều hướng và thực hiện nhiệm vụ.

1.2. Mục tiêu và phạm vi của bài toán phát hiện sinh vật biển

Mục tiêu chính của nghiên cứu là xây dựng và thực nghiệm một mô hình học sâu chuyên biệt để phát hiện các đối tượng là sinh vật nhỏ trong môi trường biển. Phạm vi nghiên cứu tập trung vào việc sử dụng dữ liệu hình ảnh thu thập từ môi trường nước mặn. Đối tượng cần phát hiện bao gồm các loài phổ biến như nhím biển, hải sâm, sao biển và sò điệp. Để đạt được mục tiêu này, phương pháp nghiên cứu bao gồm hai phần chính: nghiên cứu lý thuyết và thực nghiệm. Phần lý thuyết tập trung vào việc tìm hiểu sâu về các kiến trúc mạng như Transformer và DETR, các kỹ thuật tiền xử lý ảnh và các phương pháp đánh giá mô hình. Phần thực nghiệm bao gồm các bước: thu thập và xử lý các bộ dữ liệu benchmark như UTDAC2020 và DUO, xây dựng mô hình, tiến hành huấn luyện và cuối cùng là đánh giá, so sánh kết quả để đưa ra kết luận về hiệu quả của phương pháp đề xuất.

II. Top thách thức khi phát hiện đối tượng dưới nước bằng AI

Môi trường dưới nước đặt ra những thách thức độc đáo mà các thuật toán phát hiện đối tượng tiêu chuẩn khó có thể giải quyết hiệu quả. Một trong những khó khăn lớn nhất là chất lượng hình ảnh kém. Nước hấp thụ và tán xạ ánh sáng, đặc biệt là các bước sóng dài như màu đỏ, khiến hình ảnh thường bị mờ, thiếu tương phản và có tông màu xanh lục hoặc xanh lam. Điều này làm cho các đặc trưng nhận dạng của đối tượng trở nên yếu đi. Thêm vào đó, các đối tượng như sinh vật biển thường có kích thước nhỏ, dễ dàng hòa lẫn vào môi trường xung quanh như rạn san hô, đáy cát hoặc thảm thực vật. Hiện tượng gom cụm, khi nhiều cá thể tập trung lại một chỗ, cũng gây ra sự che khuất lẫn nhau, làm phức tạp hóa việc phân tách và định vị từng đối tượng riêng lẻ. Sự thay đổi liên tục của dòng chảy, độ đục của nước và điều kiện ánh sáng tự nhiên cũng đòi hỏi mô hình phải có khả năng khái quát hóa cao. Những yếu tố này yêu cầu các giải pháp tiên tiến hơn là chỉ áp dụng các mô hình học sâu có sẵn.

2.1. Vấn đề suy giảm chất lượng và biến dạng màu sắc hình ảnh

Sự suy giảm chất lượng hình ảnh là rào cản hàng đầu trong phát hiện đối tượng dưới nước. Hiện tượng tán xạ ngược (backscattering) từ các hạt lơ lửng trong nước tạo ra một lớp sương mù, làm giảm độ rõ nét. Đồng thời, sự suy giảm ánh sáng (attenuation) không đồng đều giữa các kênh màu (RGB) gây ra hiện tượng biến dạng màu sắc nghiêm trọng. Theo John Y. Chiang và cộng sự [21], việc bù trừ chênh lệch suy giảm bước sóng là cần thiết để khôi phục lại sự cân bằng màu sắc. Nhiều nghiên cứu đã tập trung vào các kỹ thuật nâng cao chất lượng ảnh dưới nước (Underwater Image Enhancement) làm bước tiền xử lý. Các phương pháp từ bù trừ vật lý, sử dụng mô hình khử sương mù, cho đến các mô hình học sâu như GAN (WaterGAN) [20] và Diffusion Model [34] đã được đề xuất để tái tạo lại hình ảnh rõ nét hơn. Tuy nhiên, việc cải thiện hình ảnh không phải lúc nào cũng đảm bảo tăng hiệu suất phát hiện, đôi khi còn làm mất đi các đặc trưng tự nhiên quan trọng.

2.2. Khó khăn từ đối tượng nhỏ mật độ dày và bị che khuất

Các đối tượng sinh vật biển thường có kích thước rất nhỏ so với toàn bộ khung hình. Điều này khiến các kiến trúc CNN truyền thống, vốn dễ bỏ qua các đặc trưng ở quy mô nhỏ, gặp nhiều khó khăn. Các bộ dữ liệu như UTDAC2020 và DUO cho thấy rõ đặc điểm này, nơi các loài như nhím biển, hải sâm thường xuất hiện với mật độ dày và chồng lấn lên nhau. Hiện tượng này được gọi là gom cụm và che khuất. Để giải quyết vấn đề này, một số phương pháp đã được đề xuất. SWIPENet [23] sử dụng Dilated Convolution và Hyper Feature Maps để cải thiện việc phát hiện đối tượng ở nhiều tỷ lệ. Các phương pháp tăng cường dữ liệu như RoIMix [36] cũng được phát triển để tạo ra các kịch bản chồng lấn và che khuất ảo, giúp mô hình học được cách xử lý các tình huống phức tạp này trong thực tế.

III. Hướng dẫn ứng dụng Transformer cho phát hiện đối tượng nước

Kiến trúc Transformer, ban đầu được giới thiệu trong bài báo "Attention Is All You Need" [35], đã tạo ra một cuộc cách mạng trong xử lý ngôn ngữ tự nhiên và nhanh chóng được điều chỉnh cho các bài toán thị giác máy tính. Khác với CNN dựa trên các cửa sổ trượt cục bộ, Transformer sử dụng cơ chế self-attention để xử lý toàn bộ hình ảnh một cách toàn cục, cho phép mô hình nắm bắt các mối quan hệ ngữ nghĩa giữa các vùng ảnh xa nhau. Điều này đặc biệt hữu ích trong việc hiểu bối cảnh phức tạp của môi trường dưới nước. DETR (DEtection TRansformer) [6] là một trong những mô hình tiên phong áp dụng kiến trúc này vào bài toán phát hiện đối tượng. DETR đã loại bỏ các thành phần thủ công phức tạp như anchor boxes và Non-Maximum Suppression (NMS), thay thế chúng bằng một quy trình end-to-end đơn giản. Mô hình này sử dụng một bộ mã hóa-giải mã (encoder-decoder) Transformer để trực tiếp dự đoán một tập hợp các hộp giới hạn và nhãn lớp, mang lại một cách tiếp cận thanh lịch và hiệu quả.

3.1. Mô hình DETR và cơ chế dự đoán tập hợp Set Prediction

Kiến trúc của DETR bao gồm ba thành phần chính: một backbone CNN (thường là ResNet) để trích xuất đặc trưng hình ảnh, một bộ encoder-decoder Transformer, và các đầu dự đoán (prediction heads). Backbone trích xuất một bản đồ đặc trưng từ ảnh đầu vào. Encoder của Transformer sau đó xử lý bản đồ đặc trưng này, làm phong phú thêm thông tin ngữ cảnh toàn cục thông qua các lớp self-attention. Decoder nhận đầu vào là một số lượng cố định các truy vấn đối tượng (object queries) đã được học và đầu ra của encoder. Mỗi truy vấn đối tượng sẽ được decoder biến đổi để dự đoán một đối tượng duy nhất, bao gồm tọa độ hộp giới hạn và xác suất lớp. Điểm đột phá của DETR là cơ chế dự đoán tập hợp (set prediction) kết hợp với hàm mất mát dựa trên đối sánh hai phía (bipartite matching), giúp gán mỗi đối tượng thực tế với một dự đoán duy nhất, loại bỏ sự cần thiết của NMS.

3.2. Deformable DETR Cải tiến tốc độ và hiệu quả với Attention

Deformable DETR [41] ra đời để giải quyết các hạn chế của DETR gốc, bao gồm tốc độ hội tụ chậm và hiệu suất kém trên các đối tượng nhỏ. Thay vì sử dụng cơ chế attention trên toàn bộ bản đồ đặc trưng, Deformable DETR giới thiệu deformable attention. Cơ chế này chỉ tập trung vào một số điểm lấy mẫu chính xung quanh một vị trí tham chiếu. Điều này giúp giảm đáng kể độ phức tạp tính toán và cho phép mô hình tập trung hiệu quả hơn vào các vùng đặc trưng quan trọng. Hơn nữa, Deformable DETR xử lý các bản đồ đặc trưng đa tỷ lệ, cho phép nó phát hiện tốt hơn các đối tượng ở nhiều kích thước khác nhau. Nhờ những cải tiến này, mô hình có khả năng hội tụ nhanh hơn gấp nhiều lần và đạt được độ chính xác cao hơn, đặc biệt là với các đối tượng nhỏ, một thách thức lớn trong môi trường dưới nước.

IV. Bí quyết tối ưu mô hình DINO phát hiện đối tượng dưới nước

Phương pháp đề xuất dựa trên nền tảng của DINO (DETR with Improved deNoising anchOr boxes) [39], một trong những mô hình phát hiện đối tượng dựa trên Transformer tiên tiến nhất. DINO cải thiện các phiên bản DETR trước đó bằng cách giới thiệu một loạt kỹ thuật đột phá như huấn luyện khử nhiễu tương phản (contrastive denoising training), lựa chọn truy vấn hỗn hợp (mixed query selection) và cập nhật hộp giới hạn tiên tiến. Tuy nhiên, để mô hình hoạt động tối ưu trong môi trường đặc thù dưới nước, một số cải tiến đã được thực hiện. Các điều chỉnh này tập trung vào việc giải quyết các thách thức cốt lõi như đối tượng nhỏ, gom cụm và chất lượng ảnh kém. Cụ thể, các thay đổi bao gồm mở rộng số lượng truy vấn của decoder, tinh chỉnh siêu tham số trong quá trình khử nhiễu và quan trọng nhất là thiết kế lại cấu trúc hàm mất mát để phù hợp hơn với đặc điểm của dữ liệu.

4.1. Cải tiến Decoder và DeNoising Training cho ảnh mờ

Để đối phó với mật độ đối tượng dày đặc, số lượng truy vấn của decoder được tăng từ 900 lên 950. Mỗi truy vấn (query) có vai trò như một "khe" để dự đoán một đối tượng tiềm năng. Việc tăng số lượng truy vấn cho phép mô hình xử lý nhiều đối tượng hơn trong một khung hình, đặc biệt hữu ích cho các kịch bản gom cụm. Đồng thời, trong kỹ thuật Denoising Training, giá trị box_noise_scale đã được giảm xuống. Kỹ thuật này huấn luyện mô hình khôi phục lại các hộp giới hạn gốc từ các phiên bản bị nhiễu. Bằng cách giảm độ lớn của nhiễu thêm vào, mô hình bị buộc phải học cách dự đoán vị trí và kích thước với độ chính xác cao hơn. Điều này đặc biệt hiệu quả đối với các đối tượng nhỏ, nơi mà một sai lệch nhỏ cũng có thể dẫn đến lỗi nghiêm trọng.

4.2. Tối ưu hàm mất mát với SmoothL1 và DIoU Loss

Hàm mất mát cho việc dự đoán hộp giới hạn (bbox loss) đã được thay đổi từ L1 Loss sang SmoothL1 Loss. L1 Loss nhạy cảm với các giá trị ngoại lệ, trong khi SmoothL1 Loss (còn gọi là Huber Loss) kết hợp ưu điểm của L1 và L2 Loss. Nó hoạt động như L2 Loss với các sai số nhỏ (giúp quá trình hội tụ mượt mà) và như L1 Loss với các sai số lớn (giảm ảnh hưởng của các dự đoán sai lệch nhiều), rất phù hợp với sự đa dạng về kích thước đối tượng dưới nước. Bên cạnh đó, hàm mất mát IoU (Intersection over Union) cũng được nâng cấp từ GIoU Loss lên DIoU Loss [40]. DIoU Loss không chỉ tối ưu hóa độ chồng chéo mà còn trực tiếp giảm thiểu khoảng cách giữa tâm của hộp dự đoán và hộp thực tế. Điều này giúp mô hình hội tụ nhanh hơn và định vị đối tượng chính xác hơn, ngay cả khi các hộp không chồng chéo.

V. Đánh giá hiệu suất mô hình học sâu trên bộ dữ liệu DUO

Hiệu suất của phương pháp đề xuất được đánh giá thông qua các thực nghiệm nghiêm ngặt trên hai bộ dữ liệu benchmark phổ biến trong lĩnh vực phát hiện đối tượng dưới nước: UTDAC2020 và DUO. Bộ dữ liệu DUO là một phiên bản cải tiến và mở rộng của UTDAC2020, cung cấp một tập xác thực đa dạng hơn, ít trùng lặp hơn, giúp đánh giá khả năng khái quát hóa của mô hình một cách khách quan. Cả hai bộ dữ liệu đều chứa hình ảnh của bốn loài sinh vật biển phổ biến với nhiều độ phân giải khác nhau, mô phỏng các điều kiện thực tế. Quá trình huấn luyện và đánh giá được thực hiện trên một nền tảng phần cứng mạnh mẽ, sử dụng ngôn ngữ lập trình Python và thư viện PyTorch. Các chỉ số đánh giá chính bao gồm Precision, Recall, và đặc biệt là mAP (mean Average Precision), tiêu chuẩn vàng để đo lường độ chính xác trong các bài toán phát hiện đối tượng.

5.1. Phân tích các bộ dữ liệu thực nghiệm UTDAC2020 và DUO

Bộ dữ liệu UTDAC2020 bao gồm 5168 ảnh huấn luyện và 1293 ảnh xác thực. Trong khi đó, DUO [3] mở rộng với 6772 ảnh huấn luyện và 1111 ảnh xác thực, với tổng cộng hơn 74,000 thực thể được gán nhãn. Một nhược điểm của tập xác thực UTDAC2020 là sự trùng lặp hình ảnh cao, có thể dẫn đến đánh giá quá lạc quan về hiệu suất mô hình. DUO khắc phục điều này bằng cách cung cấp một tập xác thực đa dạng hơn, phản ánh chính xác hơn hiệu năng của mô hình trên dữ liệu chưa từng thấy. Cả hai bộ dữ liệu đều có đặc điểm chung là các đối tượng thường nhỏ, có màu sắc hòa lẫn với môi trường và xuất hiện theo cụm, tạo ra một bài toán đầy thách thức. Việc sử dụng cả hai bộ dữ liệu cho phép so sánh và xác nhận tính hiệu quả của các cải tiến được đề xuất.

5.2. Kết quả so sánh và minh chứng hiệu quả của phương pháp

Kết quả thực nghiệm cho thấy mô hình DINO được cải tiến đã đạt được hiệu suất vượt trội so với các phương pháp trước đó trên cả hai bộ dữ liệu. Đặc biệt trên bộ dữ liệu DUO, phương pháp đề xuất cho thấy sự cải thiện rõ rệt trong việc phát hiện các đối tượng nhỏ và vừa. Phân tích biểu đồ Precision-Recall Curve cho thấy mô hình không chỉ đạt được độ chính xác cao mà còn duy trì được tỷ lệ phát hiện tốt (recall). Ví dụ minh họa trên các ảnh từ tập xác thực cho thấy mô hình có khả năng phân biệt và định vị chính xác các đối tượng ngay cả trong các cảnh phức tạp với nhiều cá thể chồng lấn. Những kết quả này khẳng định rằng các điều chỉnh về kiến trúc decoder, kỹ thuật Denoising Training và việc tối ưu hóa hàm mất mát đã mang lại hiệu quả thực tiễn, giúp mô hình thích ứng tốt hơn với bài toán phát hiện đối tượng dưới nước.

VI. Triển vọng và tương lai của mô hình học sâu trong UOD

Nghiên cứu về phát hiện đối tượng dưới nước sử dụng mô hình học sâu đã đạt được những thành tựu đáng kể, nhưng vẫn còn nhiều tiềm năng để phát triển trong tương lai. Các kết quả từ việc cải tiến mô hình DINO cho thấy rằng việc tùy chỉnh kiến trúc và quy trình huấn luyện theo đặc thù của miền dữ liệu là hướng đi đúng đắn. Trong tương lai, việc khắc phục các hạn chế còn lại và mở rộng khả năng của mô hình sẽ là trọng tâm. Các hướng phát triển có thể bao gồm việc tích hợp các kỹ thuật xử lý video để theo dõi đối tượng theo thời gian thực, tối ưu hóa mô hình để có thể triển khai trên các thiết bị tài nguyên hạn chế như AUVs, và phát triển các phương pháp học không giám sát hoặc bán giám sát để giảm sự phụ thuộc vào dữ liệu gán nhãn tốn kém. Sự tiến bộ trong lĩnh vực này hứa hẹn sẽ mang lại những công cụ mạnh mẽ hơn cho việc khám phá và bảo vệ đại dương.

6.1. Hướng phát triển tiềm năng để nâng cao hiệu suất mô hình

Một trong những hướng phát triển chính là cải thiện khả năng xử lý hình ảnh chất lượng rất thấp. Thay vì chỉ dựa vào các bước tiền xử lý, có thể tích hợp trực tiếp các mô-đun nâng cao chất lượng ảnh vào kiến trúc mạng nơ-ron, cho phép mô hình học đồng thời cả việc cải thiện ảnh và phát hiện đối tượng. Phương pháp GCC (Gated Cross-domain Collaborative) [11] là một ví dụ, khi kết hợp đặc trưng từ cả ảnh gốc và ảnh đã tăng cường. Ngoài ra, việc khám phá các biến thể Transformer nhẹ hơn và hiệu quả hơn về mặt tính toán là cần thiết để triển khai trên các hệ thống nhúng. Nghiên cứu các kỹ thuật học đa nhiệm (multi-task learning), nơi mô hình cùng lúc thực hiện phát hiện, phân đoạn và ước tính độ sâu, cũng là một hướng đi đầy hứa hẹn để cung cấp thông tin toàn diện hơn về môi trường dưới nước.

6.2. Ứng dụng thực tiễn và tác động đến ngành khoa học biển

Trong tương lai, các mô hình học sâu tiên tiến sẽ trở thành công cụ không thể thiếu trong ngành khoa học biển. Chúng có thể được tích hợp vào các hệ thống quan sát tự động trên toàn cầu để theo dõi quần thể sinh vật biển, đánh giá sức khỏe của rạn san hô, và phát hiện các hoạt động bất hợp pháp như đánh bắt cá trái phép. Các phương tiện tự hành dưới nước được trang bị các mô hình này sẽ có khả năng tự lập bản đồ đáy biển, kiểm tra các công trình ngầm như đường ống dẫn dầu hay cáp quang, và thực hiện các nhiệm vụ tìm kiếm cứu nạn một cách hiệu quả hơn. Sự kết hợp giữa AI và robot học sẽ đẩy nhanh tốc độ khám phá đại dương, giúp con người hiểu sâu hơn về hành tinh của chính mình và đưa ra các quyết sách tốt hơn để bảo vệ nó.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Môi trường dưới nước mang tính chất phức tạp và biến đổi liên tục từ độ sâu, cấu trúc đáy biển đến điều kiện chiếu sáng. Do sự hấp thụ và tán xạ của các bước sóng ánh sáng trong môi trường nước mặn, hình ảnh thu được thường bị suy giảm chất lượng nghiêm trọng, đặc trưng bởi độ tương phản thấp, màu sắc bị sai lệch (nghiêng về dải xanh lam hoặc xanh lục) và hiện tượng mờ đục. Đồng thời, các đối tượng sinh vật biển cần quan sát thường có kích thước rất nhỏ, phân bố mật độ dày đặc, chồng lấn hoặc lẩn khuất trong trầm tích và thực vật thủy sinh. Những rào cản quang học này tạo ra thách thức lớn cho các hệ thống thị giác máy tính truyền thống trong việc quan sát, theo dõi và phục vụ công tác quản lý tài nguyên, bảo vệ sinh thái biển cũng như tìm kiếm cứu nạn.

Sự phát triển của các phương pháp học sâu (Deep Learning) đã mở ra hướng tiếp cận mới cho bài toán phát hiện đối tượng dưới nước (Underwater Object Detection - UOD). Tuy nhiên, việc ứng dụng trực tiếp các kiến trúc phát hiện đối tượng thông thường (vốn được tối ưu trên tập dữ liệu môi trường trên cạn như COCO hay Pascal VOC) vào môi trường biển thường gặp hạn chế do:

• Khả năng xử lý đối tượng nhỏ, mờ và gom cụm kém.
• Sự mất cân bằng giữa yêu cầu khử nhiễu/khôi phục ảnh với nhiệm vụ phát hiện cụ thể.
• Yêu cầu tối ưu hóa tài nguyên tính toán để có thể tích hợp trên các phương tiện tự hành dưới nước (Autonomous Underwater Vehicles - AUVs hoặc Remote Operated Vehicles - ROVs).

Trước bối cảnh đó, khóa luận tốt nghiệp ngành Khoa học Máy tính của sinh viên Chóng Chí Dinh và Nguyễn Tô Thụy Anh (Khoa Công nghệ Thông tin, Trường Đại học Sư phạm TP.HCM), dưới sự hướng dẫn khoa học của TS. Nguyễn Viết Hưng và ThS. Trần Thanh Nhã (năm 2024), đã thực hiện đề tài: "Phát hiện đối tượng dưới nước sử dụng mô hình học sâu".

Mục tiêu nghiên cứu của đề tài:

1. Xây dựng và cải tiến một mô hình học sâu chuyên biệt nhằm phát hiện chính xác các đối tượng là sinh vật nhỏ trong môi trường biển.
2. Thiết kế các kỹ thuật tinh chỉnh kiến trúc và hàm mất mát để xử lý hiệu quả tình trạng hình ảnh bị mờ, vật thể chồng lấn và kích thước nhỏ.
3. Thực nghiệm, so sánh và đánh giá hiệu năng của mô hình trên các bộ dữ liệu chuẩn mực (benchmark) về sinh vật biển.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các sinh vật biển kích thước nhỏ thuộc môi trường nước mặn (chủ yếu là nhím biển - echinus, hải sâm - holothurian, sao biển - starfish, sò điệp - scallop).
• Phạm vi dữ liệu: Nghiên cứu tập trung vào việc xử lý dữ liệu hình ảnh quang học dưới nước 2D thông qua hai tập dữ liệu benchmark phổ biến là UTDAC2020 và DUO.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khóa luận kết hợp nghiên cứu lý thuyết chuyên sâu về thị giác máy tính dựa trên Transformer với phương pháp nghiên cứu thực nghiệm trên tập dữ liệu tiêu chuẩn.

1. Khung lý thuyết và kiến trúc mô hình nền tảng

Nghiên cứu xây dựng trên nền tảng của các bước tiến trong kiến trúc Transformer ứng dụng cho bài toán phát hiện đối tượng:

• Kiến trúc Transformer gốc (Vaswani et al., 2017): Tận dụng cơ chế Self-Attention đa đầu (Multi-Head Self-Attention) để nắm bắt các phụ thuộc toàn cục giữa các phần tử mà không bị giới hạn bởi khoảng cách không gian. Cơ chế tính toán điểm chú ý: $$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ trong đó $Q, K, V$ lần lượt là các ma trận Query, Key, Value; $d_k$ là kích thước vector Key. Khối Fully Connected Feed-Forward Network (FFN) được xác định bởi: $$\text{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2$$
• Mô hình DETR (Carion et al., 2020): Mô hình phát hiện đối tượng end-to-end đầu tiên loại bỏ hoàn toàn các thành phần thủ công như tạo Anchor Boxes hay Non-Maximum Suppression (NMS). DETR sử dụng cơ chế Set Prediction và hàm mất mát ghép cặp hai phía (Bipartite Matching Loss).
• Mô hình Deformable DETR (Zhu et al., 2020): Khắc phục nhược điểm hội tụ chậm và khả năng bắt chi tiết nhỏ kém của DETR bằng cách thay thế attention toàn cục bằng Deformable Attention—chỉ tập trung vào một số điểm lấy mẫu xung quanh điểm tham chiếu trên bản đồ đặc trưng đa tỷ lệ.
• Mô hình DINO (Zhang et al., 2022): Là kiến trúc DETR cải tiến (DETR with Improved DeNoising anchor boxes) tích hợp ba cơ chế đột phá:
  1. Contrastive DeNoising (CDN) Training: Đưa các cặp mẫu nhiễu dương/âm vào Decoder để ổn định quá trình Bipartite Matching và tránh dự đoán trùng lặp.
  2. Mixed Query Selection: Khởi tạo Query vị trí từ top-$K$ đặc trưng của Encoder và giữ Query nội dung có thể học được để kết hợp thông tin không gian và ngữ nghĩa.
  3. Look Forward Twice: Tinh chỉnh hộp giới hạn dựa trên tham số dịch chuyển (offset) của cả lớp hiện tại và lớp kế tiếp trong Decoder.

2. Tổng quan các kỹ thuật tiền xử lý ảnh dưới nước

Khóa luận hệ thống hóa các kỹ thuật tiền xử lý dữ liệu phục vụ huấn luyện mô hình sâu trong môi trường nước: chuẩn hóa pixel (Normalization), cắt ảnh (Cropping), biến đổi màu sắc (Color Augmentation), xoay và co giãn (Rotation & Scaling), làm mịn khử nhiễu (Gaussian/Average Filtering), chuyển đổi không gian màu (RGB sang HSV, Lab, Grayscale), phát hiện biên (Canny, Sobel) và tăng cường dữ liệu (Data Augmentation).

3. Nguồn dữ liệu sử dụng

Nghiên cứu tiến hành khảo sát toàn diện 6 bộ dữ liệu học máy dưới nước tiêu chuẩn, trong đó tập trung huấn luyện và kiểm thử trên hai bộ dữ liệu quy mô lớn:

Tên bộ dữ liệu	Số lượng Train	Số lượng Validation	Số lượng Testing	Số lớp	Đặc điểm chính
UTDAC2020	5.168	1.293	-	4	4 độ phân giải (3840×2160, 1920×1080, 720×405, 586×480)
DUO	6.772	1.111	-	4	Bản nâng cấp của UTDAC2020, đa dạng hơn, 74.515 mẫu đối tượng
UODD	2.500	128	506	3	~19.000 đối tượng; kích thước đa dạng
Brackish	9.967	1.467	1.468	6	Hình ảnh trong môi trường nước lợ
TrashCan	6.008	-	1.204	16	Phân đoạn rác, thiết bị ROVs và sinh vật
WPBB	720	-	180	2	Phát hiện túi và chai nhựa dưới nước

---

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương này đặt nền móng cho toàn bộ công trình:

• Phân tích bối cảnh quang học biển: ánh sáng yếu, biến đổi quang phổ, kích thước sinh vật nhỏ, mật độ gom cụm dày đặc.
• Xác định mục tiêu: Xây dựng mô hình học sâu phát hiện sinh vật nhỏ dưới nước và thực nghiệm trên các tập dữ liệu benchmark.
• Phân tích ý nghĩa khoa học: Mở rộng khả năng của kiến trúc Transformer trong xử lý ảnh suy giảm chất lượng; ý nghĩa thực tiễn: phục vụ giám sát môi trường biển, hỗ trợ đánh bắt/khai thác tài nguyên bền vững và kiểm tra hạ tầng ngầm.

Chương 2: Tổng quan tình hình nghiên cứu

Chương 2 tổng hợp các dòng nghiên cứu đương đại về bài toán phát hiện đối tượng dưới nước:

• Nhóm tăng cường dữ liệu và trích xuất đặc trưng: Phân tích kỹ thuật RoIMix (kết hợp vùng quan tâm Proposal Fusion giữa nhiều ảnh để mô phỏng che khuất), mạng SWIPENet kết hợp thuật toán Invert Multi-Class Adaboost (IMA) giúp giảm trọng số mẫu nhiễu, mô hình Boosting R-CNN.
• Nhóm nâng cao chất lượng hình ảnh (Underwater Image Enhancement - UIE): Mô hình Diffusion khử nhiễu kết hợp Transformer (Yi Tang et al.), khung SFGNet tương tác tần số - không gian (Chen Zhao et al.), thuật toán khử sương mù bù bước sóng ánh sáng của John Y. Chiang, WaterGAN (Jie Li et al.), UWCNN (Chongyi Li et al.), Sea-thru (D. Akkaynak et al.) và mô-đun tăng cường học tương phản vòng kín (Risheng Liu et al.).
• Nghiên cứu Domain Shift & Hợp nhất: Phân tích ảnh hưởng của miền dữ liệu chất lượng thấp (Xingyu Chen et al.), mạng hai giai đoạn với khối RPN Attention (Wei Chen et al.) và phương pháp cộng tác liên miền Gated Cross-domain Collaborative (GCC - Dai et al.) kết hợp giữa ảnh gốc và ảnh đã tăng cường.
• Khảo sát bộ dữ liệu chuẩn: So sánh chi tiết 6 tập dữ liệu benchmark (Bảng 2.1) và chỉ ra rằng UTDAC2020 cùng DUO là hai bộ dữ liệu có tính tương thích và quy mô phù hợp nhất cho bài toán sinh vật nhỏ.

Chương 3: Cơ sở lý thuyết

Chương 3 trình bày cơ sở toán học và kiến trúc học sâu:

• Quy trình tiền xử lý và tăng cường dữ liệu ảnh quang học dưới nước.
• Cấu trúc mạng Transformer tuần tự từ Self-Attention, Multi-Head Attention, Positional Encoding đến Encoder-Decoder.
• Phân tích tiến trình phát triển từ DETR (loại bỏ NMS và Anchor Boxes, dùng Bipartite Matching) qua Deformable DETR (áp dụng Deformable Attention đa tỷ lệ, giảm bộ nhớ và tăng tốc độ hội tụ gấp 10 lần) đến DINO (tích hợp Contrastive DeNoising, Mixed Query Selection, Look Forward Twice).

Chương 4: Phương pháp phát hiện đối tượng dưới nước sử dụng mô hình học sâu

Chương 4 là phần cốt lõi trình bày các giải pháp cải tiến do nhóm tác giả đề xuất trên nền tảng kiến trúc DINO:

• Mở rộng số lượng Decoder Queries nhằm giải quyết mật độ dày và hiện tượng gom cụm.
• Giảm siêu tham số box_noise_scale trong Contrastive DeNoising Training để ép mô hình học định vị chính xác vật thể kích thước nhỏ.
• Tái cấu trúc hàm mất mát (Loss Function): Thay thế L1 Loss bằng SmoothL1 Loss cho nhánh Bounding Box; chuyển đổi GIoU Loss sang DIoU Loss cho nhánh IoU; điều chỉnh lại tỷ lệ trọng số giữa Loss Bbox và Loss IoU.
• Thiết lập các kỹ thuật và độ đo đánh giá: mAP (Mean Average Precision) và đường cong Precision-Recall (PR Curve).

Chương 5: Dữ liệu, Thực nghiệm và Đánh giá

Chương 5 trình bày toàn bộ quy trình kiểm chứng:

• Thiết lập môi trường thực nghiệm, ngôn ngữ lập trình và thông số phần cứng huấn luyện.
• Mô tả phân bố tập huấn luyện và xác thực trên hai tập dữ liệu DUO (6.772 train / 1.111 val) và UTDAC2020 (5.168 train / 1.293 val).
• Trực quan hóa và phân tích đường cong Precision-Recall của phương pháp đề xuất trên các nhóm đối tượng kích thước nhỏ, vừa, lớn; đối chiếu với phương pháp nền tảng GCC và nhãn Ground Truth thực tế.

Chương 6: Kết luận và hướng phát triển

• Đánh giá tổng kết các mục tiêu đã hoàn thành về mặt học thuật và thực tiễn.
• Nhận diện các điểm hạn chế về độ phong phú môi trường nước và vạch ra định hướng mở rộng trong tương lai.

---

Thiết kế và triển khai mô hình cải tiến

Dựa trên cấu trúc DINO gốc, nhóm tác giả đã thực hiện 4 điều chỉnh kỹ thuật nhằm tối ưu hóa cho tác vụ nhận dạng sinh vật nhỏ trong môi trường nước:

[Ảnh đầu vào dưới nước] 
[Mixed Query Selection]                              [Contrastive DeNoising]
(Khởi tạo 950 Decoder Queries)                       (Giảm box_noise_scale)
                         [Transformer Decoder]
                         [Prediction Heads]
[Phân loại (Classification)]                         [Hồi quy Bounding Box]
                                                     • SmoothL1 Loss (giảm trọng số)
                                                     • DIoU Loss (tăng trọng số)

1. Mở rộng số lượng Query của Decoder

Trong mô hình DINO nguyên bản, số lượng Decoder Query được thiết lập mặc định là 900. Nhóm tác giả quyết định nâng số lượng Query lên 950.

• Cơ sở kỹ thuật: Các truy vấn Decoder đóng vai trò như các Anchor Box động, được khởi tạo thông qua cơ chế Mixed Query Selection từ các đặc trưng có độ tin cậy cao của Encoder. Việc tăng số lượng truy vấn giúp mô hình duy trì đủ số lượng giả định vị trí để bắt trúng các sinh vật biển xuất hiện với mật độ dày đặc, kích thước nhỏ và nằm xen kẽ nhau trong cùng một khung hình.

2. Giảm giá trị box_noise_scale trong DeNoising Training

box_noise_scale là siêu tham số kiểm soát biên độ nhiễu bổ sung vào các hộp giới hạn thực (Ground Truth) để tạo ra các anchor giả (mẫu dương và mẫu âm) trong quá trình huấn luyện khử nhiễu tương phản (CDN).

• Cơ sở kỹ thuật: Đối tượng dưới nước có kích thước nhỏ, nếu áp dụng biên độ nhiễu lớn như trên tập COCO, các hộp anchor giả sẽ bị lệch hoàn toàn khỏi đối tượng, gây mất ổn định huấn luyện. Việc chủ động giảm giá trị box_noise_scale giúp các hộp giới hạn nhiễu nằm sát với Ground Truth hơn, buộc Decoder phải học cách tinh chỉnh vị trí với độ nhạy cao và chính xác hơn ở cấp độ điểm ảnh.

3. Thay đổi hàm mất mát hồi quy Bounding Box (L1 sang SmoothL1)

Hàm mất mát L1 ($L_1(x, y) = |x - y|$) có độ dốc không đổi trên toàn miền sai số, dẫn đến hiện tượng dao động mạnh khi sai số dự đoán nhỏ. Hàm mất mát L2 ($(x-y)^2$) lại quá nhạy cảm với các mẫu ngoại lai (outliers) và dễ gây mất ổn định gradient. Nhóm tác giả chuyển sang sử dụng SmoothL1 Loss (Huber Loss):

$$\text{Smooth}_{L1}(x - y) = \begin{cases} 0.5(x - y)^2 & \text{nếu } |x - y| < 1 \ |x - y| - 0.5 & \text{ngược lại} \end{cases}$$

• Cơ sở kỹ thuật: SmoothL1 hoạt động mượt mà như L2 khi sai số nhỏ ($|x-y| < 1$) giúp mô hình hội tụ ổn định, và chuyển sang dạng tuyến tính như L1 khi sai số lớn nhằm duy trì tính bền vững (robust) trước các giá trị bất thường trong ảnh biển mờ.

4. Thay đổi hàm mất mát vùng bao (GIoU sang DIoU) và cân chỉnh trọng số

• Chuyển từ GIoU sang DIoU Loss: GIoU tính toán dựa trên diện tích hộp bao nhỏ nhất chứa cả hai hộp giới hạn ($GIoU = IoU - \frac{|C \setminus (A \cup B)|}{|C|}$), thường bộc lộ hạn chế khi hai hộp có quan hệ bao bọc hoặc khoảng cách tâm quá xa. Nhóm tác giả thay thế bằng DIoU Loss (Distance-IoU): $$DIoU = IoU - \frac{\rho^2(b, b^{gt})}{c^2}$$ trong đó $\rho(b, b^{gt})$ là khoảng cách Euclid giữa tọa độ tâm của hộp dự đoán $b$ và hộp thực tế $b^{gt}$; $c$ là độ dài đường chéo của hộp chữ nhật nhỏ nhất chứa cả hai hộp. DIoU tối ưu hóa trực tiếp khoảng cách giữa hai tâm hộp, giúp mô hình định vị chính xác tâm sinh vật nhỏ đang gom cụm.
• Tăng trọng số Loss IoU và giảm trọng số Loss Bbox: Do giá trị của SmoothL1 Loss nhỏ hơn L1 Loss ban đầu, việc giảm trọng số nhánh Bbox và tăng trọng số nhánh DIoU giúp mô hình dồn sự tập trung vào việc tối ưu hóa mức độ chồng khớp không gian (IoU) và căn chỉnh tọa độ hộp, giảm thiểu hiện tượng phân loại đúng vùng nhưng sai lệch kích thước.

---

Kết quả và đóng góp của khóa luận

1. Đóng góp khoa học và kỹ thuật

• Tùy biến thành công kiến trúc DINO—mô hình Transformer SOTA trên dữ liệu COCO—thích ứng tối ưu với dữ liệu thị giác dưới nước có độ phức tạp cao.
• Chứng minh tính hiệu quả của việc kết hợp mở rộng truy vấn không gian ($950\text{ queries}$), giảm biên độ nhiễu huấn luyện (box_noise_scale) và cải tiến hàm mất mát liên hợp (SmoothL1 + DIoU) đối với bài toán nhận dạng sinh vật nhỏ.
• Cung cấp tài liệu tổng quan toàn diện về các phương pháp xử lý ảnh dưới nước (UIE), từ các phương pháp truyền thống, mô hình khuếch tán (Diffusion), GAN đến các kiến trúc hai miền (GCC).

2. Kết quả phân tích thực nghiệm

• Trên tập dữ liệu DUO, mô hình cải tiến cho thấy sự cải thiện rõ rệt trên đường cong Precision-Recall (PR Curve) đối với các đối tượng kích thước nhỏ, thể hiện độ nhạy (Recall) và độ chính xác (Precision) cao hơn so với mô hình tham chiếu GCC (Dai et al.).
• Các kết quả trực quan hóa trên ảnh mẫu (như mẫu số 31 trên tập xác thực của DUO và mẫu ảnh 006495 trên tập xác thực của UTDAC2020) chứng minh mô hình phát hiện chính xác các mục tiêu bị che khuất một phần, các cụm nhím biển và hải sâm nằm sát đáy cát mà không bị dự đoán trùng lặp.

---

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

• Độ đa dạng môi trường của dữ liệu: Mặc dù DUO và UTDAC2020 có số lượng ảnh lớn (trên 5.000 - 6.000 ảnh) và đa dạng độ phân giải, dữ liệu vẫn còn hạn chế trong việc đại diện cho nhiều vùng biển có độ đục, độ sâu và mức độ suy giảm quang phổ cực đoan khác nhau. Hiện tượng trùng lặp góc chụp ở một số mẫu của UTDAC2020 có thể làm giảm khả năng khái quát hóa.
• Chi phí tính toán: Việc mở rộng số lượng truy vấn của Decoder (lên 950) cùng việc sử dụng kiến trúc Transformer đa lớp đòi hỏi dung lượng bộ nhớ GPU và tài nguyên tính toán đáng kể trong quá trình huấn luyện và suy luận.

2. Hướng nghiên cứu tiếp

• Mở rộng nguồn dữ liệu: Thu thập thêm dữ liệu hình ảnh từ các môi trường nước có điều kiện khắc nghiệt hơn (vùng nước sâu, nước lợ, khu vực cửa sông) để nâng cao độ bền vững của mô hình.
• Tối ưu hóa triển khai thời gian thực: Nghiên cứu áp dụng các kỹ thuật nén mô hình, lượng tử hóa (Quantization) hoặc tinh giản Transformer nhằm giảm độ phức tạp tính toán, hướng tới mục tiêu nhúng trực tiếp lên phần cứng giới hạn của các thiết bị lặn tự hành (AUV/ROV).

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo giá trị cho các nhóm đối tượng:

• Sinh viên, học viên ngành Khoa học Máy tính và Trí tuệ Nhân tạo: Cung cấp tài liệu hệ thống hóa rõ ràng về quá trình tiến hóa của các kiến trúc phát hiện đối tượng dựa trên Transformer từ DETR, Deformable DETR đến DINO.
• Nhà nghiên cứu về Thị giác máy tính dưới nước (Underwater Computer Vision): Cung cấp cơ sở lý thuyết tổng quan về các phương pháp tiền xử lý ảnh biển, tổng hợp bảng phân loại 6 tập dữ liệu benchmark phổ biến và các chiến lược tùy biến hàm mất mát khi xử lý dữ liệu đặc thù.
• Kỹ sư phát triển hệ thống: Tham khảo phương pháp cấu hình siêu tham số khử nhiễu (box_noise_scale) và kỹ thuật cân chỉnh trọng số loss khi chuyển dịch mô hình từ miền ảnh chuẩn sang miền ảnh thực địa suy giảm chất lượng.

---

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại tăng số lượng Decoder Queries từ 900 lên 950?

Môi trường dưới nước có đặc thù là các sinh vật biển (như nhím biển, sò điệp) thường xuất hiện với mật độ rất dày và gom thành từng cụm. Việc tăng số lượng truy vấn lên 950 giúp Decoder có đủ số lượng "anchor động" để bao phủ và không bỏ sót các đối tượng nhỏ nằm san sát nhau trong cùng một khung hình.

2. Lý do việc giảm siêu tham số box_noise_scale giúp mô hình nhận diện vật thể nhỏ tốt hơn là gì?

box_noise_scale quyết định mức độ nhiễu tọa độ được thêm vào các hộp giới hạn Ground Truth trong quá trình huấn luyện khử nhiễu (CDN). Đối với vật thể nhỏ, mức nhiễu lớn sẽ đẩy hộp giả ra quá xa khỏi vật thể thực. Việc giảm box_noise_scale tạo ra các hộp nhiễu nằm sát Ground Truth hơn, buộc Decoder phải học cách tái tạo tọa độ với độ chính xác cao và tỉ mỉ hơn.

3. Ưu điểm của việc thay thế L1 Loss bằng SmoothL1 Loss trong khóa luận là gì?

L1 Loss có độ nhạy không đổi đối với mọi sai số, dễ gây dao động khi mô hình tiến gần đến điểm tối ưu. SmoothL1 Loss đóng vai trò như hàm L2 (bậc hai) mượt mà khi sai số nhỏ hơn 1 (giúp hội tụ ổn định) và trở thành hàm L1 tuyến tính khi sai số lớn (giúp chống chịu tốt với các mẫu nhiễu ngoại lai). Điều này tạo sự cân bằng giữa tính ổn định và tính bền vững cho mô hình trên ảnh biển mờ.

4. Tại sao DIoU Loss được lựa chọn để thay thế GIoU Loss?

GIoU bộc lộ hạn chế khi các hộp giới hạn dự đoán và thực tế có sự chênh lệch lớn hoặc lồng nhau mà không tối ưu trực tiếp khoảng cách. DIoU Loss bổ sung thành phần chuẩn hóa khoảng cách Euclid giữa hai tâm hộp giới hạn ($\rho^2/c^2$), giúp mô hình kéo tâm hộp dự đoán về đúng tâm đối tượng nhanh và chính xác hơn, rất quan trọng đối với các sinh vật nhỏ bị che khuất.

5. Hai bộ dữ liệu UTDAC2020 và DUO có những lớp đối tượng nào và gồm bao nhiêu ảnh?

Cả hai bộ dữ liệu đều tập trung vào 4 lớp đối tượng sinh vật biển: echinus (nhím biển), holothurian (hải sâm), starfish (sao biển) và scallop (sò điệp). UTDAC2020 gồm 5.168 ảnh huấn luyện và 1.293 ảnh xác thực. DUO là bản nâng cấp có chất lượng phân bố tốt hơn, gồm 6.772 ảnh huấn luyện và 1.111 ảnh xác thực với tổng cộng 74.515 mẫu đối tượng trên 4 mức độ phân giải khác nhau.

---

Kết luận

Khóa luận tốt nghiệp của Chóng Chí Dinh và Nguyễn Tô Thụy Anh đã giải quyết hiệu quả bài toán phát hiện sinh vật nhỏ dưới nước bằng cách cải tiến kiến trúc học sâu DINO tiên tiến. Thông qua việc mở rộng số lượng Decoder Queries, giảm tham số nhiễu box_noise_scale và tái cấu trúc hàm mất mát sang dạng kết hợp giữa SmoothL1 và DIoU, công trình đã nâng cao đáng kể độ chính xác định vị cho các mục tiêu bị mờ và chồng lấn. Các kết quả thực nghiệm trên hai tập dữ liệu benchmark DUO và UTDAC2020 khẳng định tính đúng đắn của phương pháp, tạo cơ sở khoa học giá trị cho các nghiên cứu tiếp theo về thị giác máy tính trong môi trường biển.

Trích đoạn nội dung tài liệu

Chương 1: Mỡ đầu Chương này sẽ giới thiệu tổng quan về để tài nghiên cứu. Đu tiên, nó sẽ trình bủy lý do vì sao đ ti được chọn, bao gồm tằm quan trọng và tính cắp thiết của vẫn 3 4, Sau dé, mục tiêu và đối tượng của nghiên cứu sẽ được để cập, cùng với phạm vỉ của nghiên cứu. Phương pháp nghiên cứu sẽ được giới thiệu chỉ tết 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 đề cập, đặc biệt là những đóng góp mới của. nghiên cứu đối với lĩnh vực liên quan.

Chương 2: Tổng quan tinh hình nghiên cứu “Chương này giới thiệu tổng quan tỉnh bình nghiên cứu của bài toán giới thiệu về các tập dữ liệu tiêu chuẩn đang được các nhà nghiên cứu sử đụng, trình bay các phương pháp sử dụng học sâu và những công trình tiêu bigu tương ứng với từng phương pháp. Chương 3: Cơ sở lý thuyết Chương này tập trung vào việc trình bày các khái niệm lý thuyết cơ bản liên «quan đến đề tải nghiên cứu. Đẫu tiền, chương sẽ giải thích các khái niệm cơ bản về học sâu và cá mô hình học sâu phổ, được sử đụng trong lnh vực phát tượng đưới nước. Sau đó là các mô hình phát hiện đối tượng Chương 4: Phương pháp phát hiện đối tượng đưới nước sử dụng mô hình học sâu Trong chương này, phương pháp cụ thẻ và chỉ tiết liên quan đến quá trình phát hiện đối tượng dưới nước sử dụng mô hình học sâu sẽ được rnh bày.

Chương sẽ mô a trúc mô hình học sâu cụ thể và cách áp dụng chúng vào bài toán phát hiện đối tượng dưới nước sẽ được trình bày. Ngoài ra, chương cũng. thảo luận về các kỹ thuật đánh giá hiệu suất của mô hình và cách tỉnh chỉnh tham số để cải thiện kết quả, Chương 5: Dữ liệu, Thực nghiệm và Đánh giá Chương này sẽ trình bày về dữ liệu dùng để huấn luyện và đánh giá, cũng như ce iêu chí đánh giá hiệu suất của mô ình trong việc phát hiện đối tượng dưới nước, Đầu tiên, phần này sẽ mô tả các nguồndữ liệu được sử dụng trong nghiên cứu. Cuỗi cảng, chương sẽ trình bày và phân tích kết quả thực nghiệm để đánh gi hiệu suất của mô hình và đưa ra những kết luận và nhận xét lộ chính xác và tính ứng dụng của phương pháp đã áp dung.

Chương 6: Kết luận và hướng pháp triển “Tổng kết ai kết quả đã dạt được và chưa đạt được sau quả trình nghiên cứu, tiến hành thực nghiệm. Từ đó nêu lên những hướng nghiên cứu và phát triển tiếp theo. trong tương li để năng cao hiệu suất cũng như đễ khắc phục các hạn chế hiện ti CHƯƠNG 2. TONG QUAN TINH HINH NGHIEN CUU 2.

Tổng quan “Trong thời đại công nghệ hiện đại, việc khám phá và nghiên cứu đưới lòng biển đã trở thành một lĩnh vực quan trọng và hứa hẹn. Từ việc khám phá đáy bi “quản lý tải nguyên dưới nước, đến việc nghiên cứu và bảo vệ mỗi trường biễn, các ứng dụng của khoa học biển đã trở nên đa dạng và thiết yếu đối với sự phát triển bền vũng của hành nh Một trong những nhiệm vụ quan trọng nhất trong lĩnh vực này là khả năng phát hiện và theo đõi đổi tượng dưới nước, như sinh vật biển, cấu trúc dưới nước, hoặc các đổi tượng quan trọng như tâ biển thiết bị khoa học.