Phát Hiện Đối Tượng Nhỏ Trong Học Sâu: Nghiên Cứu Từ Luận Văn Thạc Sĩ

Các đối tượng nhỏ có thể là đối tượng kích thước lớn nhưng được biểu diễn nhỏ trong ảnh, hoặc các đối tượng có kích thước vật lý nhỏ. Việc phát hiện đối tượng nhỏ gặp nhiều khó khăn do thông tin thị giác hạn chế, độ phân giải ảnh khác nhau, và khả năng bị che khuất. Mặc dù nhiều phương pháp đã được đề xuất, nhưng chúng thường tập trung vào các đối tượng lớn hoặc trung bình. Do đó, đánh giá hiệu suất trên các yếu tố như độ chính xác, tốc độ và tài nguyên cho bài toán phát hiện vật thể kích thước bé là cần thiết. Các phương pháp tiếp cận khác nhau như tăng cường dữ liệu (data augmentation) và sử dụng các mạng nơ-ron tích chập (convolutional neural networks) chuyên dụng đang được nghiên cứu để giải quyết vấn đề này. Luận văn đặt ra mục tiêu đánh giá các mô hình học sâu phổ biến hiện tại cho bài toán phát hiện đối tượng nhỏ.

Ứng dụng phát hiện đối tượng nhỏ rất đa dạng, từ xe tự lái đến kiểm tra sản phẩm trong công nghiệp. Trong xe tự lái, việc phát hiện sớm các vật thể nhỏ giúp xe di chuyển an toàn và giảm tai nạn. Trong sản xuất, phát hiện đối tượng nhỏ có thể giúp phát hiện các bộ phận bị lỗi hoặc bất thường. Yêu cầu phải phát hiện đối tượng sớm để phục vụ cho các tác vụ xử lý phía sau dẫn đến nhu cầu phát triển các phương pháp phát hiện hiệu quả đối với phát hiện đối tượng nhỏ. Việc này đòi hỏi sự kết hợp giữa độ chính xác và tốc độ xử lý, đồng thời tối ưu hóa tài nguyên tính toán. Do đó, nghiên cứu và phát triển các thuật toán phát hiện đối tượng nhỏ hiệu quả là rất quan trọng.

Kiến trúc SPP-net cho phép xử lý ảnh với độ phân giải bất kỳ, thay vì yêu cầu kích thước cố định như các mô hình truyền thống. R-CNN là một công trình nổi bật, sử dụng thuật toán bên ngoài để tạo vùng đề xuất. Tuy nhiên, R-CNN có nhược điểm là tốc độ chậm do phải tính toán đặc trưng cho từng vùng đề xuất. Fast R-CNN cải thiện tốc độ bằng cách trích xuất đặc trưng từ ảnh đầu vào trước, sau đó mới áp dụng RoI. Tuy nhiên, thuật toán đề xuất vùng vẫn là một bottleneck. Faster R-CNN giải quyết vấn đề này bằng cách tích hợp mạng đề xuất vùng (RPN) vào mạng, giúp tăng tốc đáng kể quá trình phát hiện đối tượng.

Fast R-CNN sử dụng RoI pooling để trích xuất đặc trưng từ các vùng quan tâm, giúp giảm thời gian tính toán so với R-CNN. Faster R-CNN tích hợp mạng đề xuất vùng (RPN) vào mạng, loại bỏ sự phụ thuộc vào thuật toán đề xuất vùng bên ngoài. Faster R-CNN đã đạt được hiệu suất cao và tốc độ nhanh hơn so với các phương pháp trước đó. Tuy nhiên, các mô hình này vẫn gặp khó khăn trong việc phát hiện đối tượng kích thước bé do độ phân giải thấp và thiếu thông tin thị giác. Các nghiên cứu hiện tại đang tập trung vào việc cải thiện khả năng phát hiện đối tượng nhỏ bằng cách sử dụng các kỹ thuật như tăng cường dữ liệu và kiến trúc mạng đặc biệt.

YOLO và SSD là các phương pháp one-stage, xử lý ảnh một lần duy nhất để dự đoán cả vị trí và lớp của các đối tượng. YOLO chia ảnh thành lưới và dự đoán bounding box và xác suất lớp cho mỗi ô lưới. SSD sử dụng các bounding box mặc định với nhiều tỷ lệ khác nhau để phát hiện các đối tượng ở nhiều kích thước. Ưu điểm của YOLO và SSD là tốc độ xử lý nhanh, phù hợp cho các ứng dụng thời gian thực. Tuy nhiên, độ chính xác của chúng thường thấp hơn so với các phương pháp two-stage, đặc biệt là trong phát hiện đối tượng nhỏ. Các phiên bản cải tiến của YOLO và SSD đang được phát triển để cải thiện độ chính xác và khả năng **phát hiện vật thể kích thước bé

Các tập dữ liệu chuẩn thường chứa nhiều đối tượng lớn và trung bình hơn đối tượng nhỏ, gây ra sự mất cân bằng dữ liệu. Điều này khiến các mô hình có xu hướng phát hiện các đối tượng có số lượng mẫu lớn hơn. Số lượng lớp đối tượng cho đối tượng nhỏ cũng còn hạn chế so với các tập dữ liệu phổ thông. Để giải quyết vấn đề này, cần có các tập dữ liệu chuyên dụng cho phát hiện vật thể kích thước b&#xe9 với số lượng mẫu và lớp đối tượng cân bằng. Tăng cường dữ liệu (data augmentation) cũng là một kỹ thuật quan trọng để tăng số lượng mẫu đối tượng nhỏ.

Luận văn sẽ đánh giá các mô hình cơ bản như YOLO, SSD, RetinaNet, Fast R-CNN và Faster R-CNN trên các tập dữ liệu đối tượng nhỏ. Các yếu tố đánh giá bao gồm độ chính xác (accuracy), tốc độ (speed) xử lý và tài nguyên sử dụng. Mục tiêu là xác định các mô hình phù hợp nhất cho phát hiện đối tượng kích thước bé trong các ứng dụng khác nhau. Đánh giá sẽ tập trung vào khả năng phát hiện chính xác các đối tượng nhỏ, đồng thời đảm bảo tốc độ xử lý đủ nhanh cho các ứng dụng thời gian thực. Việc so sánh hiệu suất của các mô hình trên các tập dữ liệu khác nhau sẽ cung cấp thông tin hữu ích cho việc lựa chọn mô hình.

Quá trình thực nghiệm được thiết lập để đánh giá khách quan hiệu suất của các mô hình. Tập dữ liệu đánh giá bao gồm tập dữ liệu chuẩn và tập dữ liệu do học viên tổng hợp từ PASCAL VOC, được lọc ra dựa trên định nghĩa về đối tượng có kích thước nhỏ. Tập dữ liệu miniVOC được tạo ra để có các mẫu đối tượng nhỏ chất lượng cao. Quá trình chuẩn bị dữ liệu đóng vai trò quan trọng trong việc đảm bảo tính chính xác và độ tin cậy của kết quả đánh giá.

Các mô hình được đánh giá dựa trên ba tiêu chí chính: thời gian thực thi, tài nguyên sử dụng (RAM, GPU) và độ chính xác (mAP). Thời gian thực thi đo lường tốc độ xử lý của mô hình. Tài nguyên sử dụng cho biết lượng tài nguyên tính toán cần thiết để chạy mô hình. Độ chính xác đánh giá khả năng phát hiện chính xác các đối tượng nhỏ. Các tiêu chí này được sử dụng để so sánh hiệu suất của các mô hình và xác định mô hình phù hợp nhất cho từng ứng dụng.

Hiệu suất của các mô hình YOLO, SSD, RetinaNet, Fast R-CNN và Faster R-CNN được so sánh trên tập dữ liệu đối tượng nhỏ. Các kết quả cho thấy sự khác biệt về độ chính xác, tốc độ và tài nguyên sử dụng. Một số mô hình có hiệu suất tốt hơn trong việc phát hiện các đối tượng nhỏ, trong khi các mô hình khác có tốc độ nhanh hơn. Việc so sánh này giúp xác định các mô hình phù hợp nhất cho từng ứng dụng.

Việc kết hợp các mô hình phát hiện với các mạng rút trích đặc trưng khác nhau (ResNet, Darknet) ảnh hưởng đến hiệu suất. Kết quả cho thấy một số mạng rút trích đặc trưng phù hợp hơn cho phát hiện đối tượng nhỏ so với các mạng khác. Mạng FPN (Feature Pyramid Network) cũng được đánh giá và cho thấy khả năng cải thiện hiệu suất phát hiện đối tượng nhỏ. Việc lựa chọn mạng rút trích đặc trưng phù hợp đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất.

Luận văn đã hệ thống lại các kiến thức về phát hiện đối tượng, đặc biệt là đối tượng nhỏ. Luận văn cũng cung cấp một tập dữ liệu đánh giá và so sánh hiệu suất của các mô hình học sâu phổ biến. Nghiên cứu này góp phần vào sự hiểu biết về các thách thức và giải pháp cho phát hiện đối tượng nhỏ.

Các hướng nghiên cứu tiềm năng bao gồm: phát triển các kiến trúc mạng chuyên dụng cho phát hiện đối tượng nhỏ, sử dụng kỹ thuật tăng cường dữ liệu nâng cao, tích hợp thông tin ngữ cảnh, và áp dụng các phương pháp học sâu mới nhất. Nghiên cứu cần tập trung vào việc cải thiện độ chính xác, tốc độ và khả năng tổng quát hóa của các mô hình phát hiện đối tượng nhỏ.