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

Luận văn thạc sĩ phân tích máy tính phát hiện đối tượng nhỏ trong ảnh sử dụng phương pháp học sâu, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Nhật Duy
• Người hướng dẫn: TS. Ngô Đức Thành
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phát Hiện Đối Tượng Nhỏ Trong Ảnh Sử Dụng Các Phương Pháp Học Sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu và phạm vi nghiên cứu
• 1.2.1. Mục tiêu
• 1.2.2. Phạm vi nghiên cứu
• 1.3. Ý nghĩa thực tiễn và ý nghĩa khoa học
• 1.3.1. Ý nghĩa thực tiễn
• 1.3.2. Ý nghĩa khoa học
• 1.4. Các đóng góp chính của luận văn
• 1.5. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Thách thức bài toán phát hiện đối tượng nhỏ
• 2.2. Các khái niệm về đối tượng có kích thước nhỏ
• 2.3. Tập dữ liệu và các hướng tiếp cận
• 2.4. Các mô hình học sâu cho bài toán phát hiện đối tượng
• 2.4.1. Mạng chiết xuất phân tầng không gian (Spatial Pyramid Pooling - SPP)
• 2.4.2. You Only Look Once (YOLO)
• 2.4.3. Single Shot MultiBox Detector (SSD)
• 2.4.4. Một số hạn chế của mạng tích chập đối với đối tượng nhỏ
• 3. CHƯƠNG 3: ĐÁNH GIÁ THỰC NGHIỆM
• 3.1. Thiết lập thực nghiệm
• 3.2. Tập dữ liệu tổng hợp cho bài toán phát hiện đối tượng nhỏ
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ PHÂN TÍCH
• 4.1. Tập dữ liệu Small Object Dataset
• 4.2. Tập dữ liệu MiniVOC
• 4.3. Thời gian xử lý và tài nguyên sử dụng
• 4.4. Một số phân tích đánh đổi giữa các mô hình
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện Đối Tượng Nhỏ Nghiên Cứu Học Sâu

Bài toán phát hiện đối tượng (object detection) là việc xác định vị trí của các đối tượng quan tâm trong ảnh hoặc video, sử dụng các khung bao (bounding box) và nhãn. Các phương pháp học sâu (deep learning) đã mang lại hiệu suất cao. Phương pháp tiếp cận học sâu chủ yếu được chia thành hai hướng: dựa trên vùng đề xuất (two-stage) và không dùng vùng đề xuất (one-stage). Các phương pháp one-stage thường đạt tốc độ xử lý nhanh hơn, nhưng độ chính xác thấp hơn so với two-stage. Ứng dụng phát hiện đối tượng nhỏ đang thu hút sự quan tâm, như xe tự lái và kiểm tra sản phẩm. Tuy nhiên, phát hiện đối tượng kích thước bé (small object detection) vẫn là một thách thức. Luận văn này tập trung đánh giá các mô hình học sâu hiện tại cho bài toán này. Trích dẫn từ luận văn: "Việc cung cấp các thông tin đánh giá trên các yếu tố như độ chính xác, tốc độ xử lý và tài nguyên sử dụng cho bài toán phát hiện đối tượng có kích nhỏ dựa trên các phương pháp học sâu hiện tai là cần thiết."

1.1. Phát hiện vật thể kích thước bé Bài toán và thách thức

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.

1.2. Ứng dụng thực tế của phát hiện đối tượng nhỏ trong đời sống

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.

II. Các Phương Pháp Học Sâu Cho Phát Hiện Đối Tượng Nhỏ

Các phương pháp học sâu đã đạt được hiệu suất cao trong phát hiện đối tượng, đặc biệt trên các tập dữ liệu lớn như PASCAL VOC và COCO. Các mô hình hiện đại thường được huấn luyện trên ImageNet và sau đó chuyển tiếp huấn luyện trên các tập dữ liệu phát hiện đối tượng. Các kiến trúc mạng như SPP-net và R-CNN đã đóng góp quan trọng vào sự phát triển của lĩnh vực này. Fast R-CNN và Faster R-CNN tiếp tục cải tiến hiệu suất bằng cách sử dụng vùng quan tâm (RoI) và mạng đề xuất vùng (RPN). Tuy nhiên, hiệu suất của các mô hình này thường được đánh giá trên các đối tượng lớn hoặc trung bình, ít tập trung vào đối tượng nhỏ.

2.1. Kiến trúc SPP Net và R CNN trong phát hiện đối tượng

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.

2.2. Fast R CNN và Faster R CNN Cải tiến hiệu suất và tốc độ

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.

2.3. YOLO You Only Look Once và SSD Single Shot MultiBox Detector

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

III. Thách Thức và Giải Pháp Phát Hiện Đối Tượng Nhỏ Luận Văn

Các tập dữ liệu như PASCAL VOC và COCO chủ yếu chứa các đối tượng lớn và trung bình, tạo ra sự mất cân bằng dữ liệu đối với đối tượng nhỏ. Số lượng lớp đối tượng cho đối tượng nhỏ cũng còn hạn chế. Các bộ phát hiện tiên tiến, cả one-stage và two-stage, đều gặp khó khăn trong việc phát hiện vật thể kích thước b&#xe9. Luận văn này sẽ tập trung vào việc đánh giá các mô hình tiên tiến, đặc biệt là khả năng phát hiện vật thể kích thước b&#xe9, sử dụng các mô hình cơ bản như YOLO, SSD, RetinaNet, Fast R-CNN và Faster R-CNN. Mục tiêu là cung cấp cái nhìn tổng quan về hiệu suất của các phương pháp này.

3.1. Mất cân bằng dữ liệu và hạn chế về lớp đối tượng

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.

3.2. Đánh giá các mô hình cơ bản cho phát hiện đối tượng kích thước bé

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.

IV. Đánh Giá Thực Nghiệm Các Mô Hình Học Sâu Luận Văn Thạc Sĩ

Luận văn xây dựng một tập dữ liệu riêng và sử dụng tập dữ liệu chuẩn cho phát hiện đối tượng nhỏ. Các mô hình tiên tiến được đánh giá dựa trên thời gian thực thi, tài nguyên sử dụng và độ chính xác. Việc kết hợp các mô hình phát hiện với các mạng rút trích đặc trưng khác nhau cũng được xem xét. Kết quả đánh giá sẽ cung cấp thông tin chi tiết về hiệu suất của từng mô hình trong các điều kiện khác nhau. Mục tiêu là đưa ra các thảo luận và đề xuất cho hướng phát triển tiếp theo.

4.1. Thiết lập thực nghiệm và tập dữ liệu đánh giá

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.

4.2. Tiêu chí đánh giá Thời gian tài nguyên và độ chính xác

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.

V. Kết Quả Nghiên Cứu và Phân Tích Hiệu Năng Phát Hiện Đối Tượng Nhỏ

Luận văn trình bày kết quả thực nghiệm và phân tích các kết quả đạt được. Kết quả cho thấy sự khác biệt về hiệu suất giữa các mô hình và ảnh hưởng của các yếu tố như kích thước đối tượng, mạng rút trích đặc trưng. Các kết quả này cung cấp thông tin quan trọng cho việc lựa chọn mô hình và định hướng nghiên cứu tiếp theo. Mục tiêu là hiểu rõ hơn về các yếu tố ảnh hưởng đến hiệu suất phát hiện đối tượng nhỏ và đề xuất các giải pháp cải thiện.

5.1. So sánh hiệu suất các mô hình trên tập dữ liệu đối tượng nhỏ

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.

5.2. Ảnh hưởng của mạng rút trích đặc trưng đến hiệu năng

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.

VI. Kết Luận Hướng Phát Triển Bài Toán Phát Hiện Vật Thể Nhỏ

Luận văn tóm tắt các kết quả đạt được và thảo luận về hướng phát triển tiếp theo. 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, và tích hợp thông tin ngữ cảnh để cải thiện độ chính xác. Mục tiêu là tiếp tục cải thiện hiệu suất phát hiện đối tượng nhỏ và ứng dụng nó trong nhiều lĩnh vực khác nhau.

6.1. Tổng kết đóng góp của luận văn trong lĩnh vực object detection

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.

6.2. Hướng nghiên cứu tiếp theo cho bài toán small object detection

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.

Nội dung chính

Tổng quan nghiên cứu

Phát hiện đối tượng nhỏ trong ảnh là một bài toán quan trọng và đầy thách thức trong lĩnh vực thị giác máy tính, đặc biệt khi ứng dụng trong các hệ thống thời gian thực như xe tự lái, giám sát an ninh, và kiểm tra chất lượng sản phẩm trong công nghiệp. Theo ước tính, các đối tượng nhỏ chiếm tỷ lệ lớn trong dữ liệu ảnh đầu vào, nhưng việc phát hiện chính xác chúng vẫn còn nhiều khó khăn do kích thước nhỏ, độ phân giải thấp và sự phức tạp của nền ảnh. Mục tiêu nghiên cứu của luận văn là đánh giá hiệu suất của các mô hình học sâu tiên tiến trong phát hiện đối tượng nhỏ, tập trung vào ba yếu tố chính: độ chính xác, thời gian xử lý và tài nguyên sử dụng. Phạm vi nghiên cứu bao gồm các mô hình phát hiện đối tượng cơ bản như YOLO, SSD, Faster R-CNN, RetinaNet trên hai tập dữ liệu chính: Small Object Dataset và miniVOC, được tổng hợp từ PASCAL VOC và COCO, với tổng số ảnh lên đến gần 5.000 ảnh và hơn 10.000 thực thể đối tượng nhỏ. Ý nghĩa của nghiên cứu không chỉ giúp cung cấp cái nhìn tổng quan về khả năng phát hiện đối tượng nhỏ của các mô hình hiện đại mà còn hỗ trợ các nhà phát triển lựa chọn mô hình phù hợp cho các ứng dụng thực tế, đặc biệt trong các môi trường có yêu cầu xử lý nhanh và chính xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai hướng tiếp cận chính trong phát hiện đối tượng bằng học sâu: phương pháp hai giai đoạn (two-stage) và phương pháp một giai đoạn (one-stage). Phương pháp hai giai đoạn như Faster R-CNN sử dụng mạng đề xuất vùng (Region Proposal Network - RPN) để tạo ra các vùng ứng viên trước khi phân loại, mang lại độ chính xác cao nhưng tốc độ xử lý chậm. Ngược lại, phương pháp một giai đoạn như YOLO và SSD thực hiện dự đoán trực tiếp trên lưới ảnh hoặc các khung bao mặc định, ưu tiên tốc độ xử lý theo thời gian thực nhưng thường đánh đổi độ chính xác. Các khái niệm chính bao gồm:

• Đối tượng nhỏ (Small Object): Được định nghĩa dựa trên tỷ lệ diện tích khung bao so với ảnh hoặc số điểm ảnh biểu diễn, ví dụ như đối tượng chiếm dưới 20% diện tích ảnh hoặc có kích thước dưới 32x32 điểm ảnh.
• Mạng chiết xuất đặc trưng đa tỉ lệ (Feature Pyramid Network - FPN): Giúp cải thiện khả năng phát hiện đối tượng ở nhiều kích thước khác nhau bằng cách kết hợp đặc trưng từ các lớp sâu và nông của mạng.
• Hàm mất cân bằng dữ liệu (Focal Loss): Được RetinaNet sử dụng để giải quyết vấn đề mất cân bằng giữa vùng nền và vùng đối tượng trong quá trình huấn luyện.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm hai tập dữ liệu: Small Object Dataset với 4.925 ảnh và 10 lớp đối tượng nhỏ, và miniVOC gồm 4 tập con được lọc từ PASCAL VOC với tổng số ảnh lên đến khoảng 6.600 và đa dạng lớp đối tượng. Phương pháp phân tích bao gồm huấn luyện và đánh giá 7 mô hình học sâu phổ biến: Fast R-CNN, Faster R-CNN, RetinaNet, SSD, YOLOv2, YOLOv3, YOLOv4, kết hợp với các mạng cơ bản như ResNet, ResNeXT, Darknet-53, FPN. Cỡ mẫu huấn luyện được thiết lập với 70.000 vòng lặp, sử dụng kỹ thuật điều chỉnh learning rate theo từng giai đoạn để đảm bảo hội tụ. Phương pháp chọn mẫu dựa trên các định nghĩa về đối tượng nhỏ, lọc dữ liệu phù hợp từ các tập dữ liệu lớn. Timeline nghiên cứu kéo dài trong khoảng 4-6 tháng cho giai đoạn huấn luyện và đánh giá thực nghiệm, với việc thu thập và xử lý dữ liệu diễn ra song song.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình hai giai đoạn vượt trội hơn mô hình một giai đoạn: Faster R-CNN với mạng cơ bản ResNeXt-101-64x4d-FPN đạt độ chính xác trung bình (mAP) cao nhất khoảng 34.3%, vượt trội hơn khoảng 8-10% so với các mô hình một giai đoạn như YOLOv4 (34%) và SSD (khoảng 30%).
2. Ảnh hưởng của mạng cơ bản và kiến trúc: Mạng cơ bản ResNeXT kết hợp FPN cải thiện độ chính xác từ 1-3% so với các mạng đơn giản hơn như ResNet. Darknet-53 và CSPDarknet-53 trong YOLOv3 và YOLOv4 cũng cho kết quả tốt hơn so với Darknet-19, với mAP tăng từ 24% lên trên 33%.
3. Tác động của độ phân giải ảnh đầu vào: Độ phân giải ảnh càng cao thì độ chính xác phát hiện đối tượng nhỏ càng tăng, tuy nhiên vượt quá kích thước gốc của ảnh (khoảng 608x608) có thể làm giảm hiệu suất do mất cân bằng thông tin.
4. Tốc độ xử lý và tài nguyên: Các mô hình một giai đoạn như YOLO và SSD có tốc độ xử lý nhanh hơn đáng kể, phù hợp với ứng dụng thời gian thực, trong khi các mô hình hai giai đoạn có độ chính xác cao hơn nhưng thời gian xử lý lâu hơn và tiêu tốn nhiều tài nguyên hơn.

Thảo luận kết quả

Nguyên nhân chính của sự khác biệt hiệu suất giữa hai nhóm mô hình là do phương pháp đề xuất vùng đối tượng trong các mô hình hai giai đoạn giúp tạo ra nhiều ứng viên chất lượng hơn, từ đó cải thiện khả năng phát hiện đối tượng nhỏ. Mô hình một giai đoạn sử dụng các khung bao mặc định trên lưới ảnh nên có hạn chế trong việc bao phủ đầy đủ các đối tượng nhỏ đa dạng kích thước và hình dạng. Kết quả này phù hợp với các nghiên cứu trước đây và nhấn mạnh tầm quan trọng của việc kết hợp các kỹ thuật như FPN và focal loss để cải thiện hiệu quả phát hiện. Biểu đồ so sánh mAP giữa các mô hình trên tập Small Object Dataset và miniVOC minh họa rõ sự vượt trội của Faster R-CNN và YOLOv4 trong các điều kiện khác nhau. Ngoài ra, việc lựa chọn mạng cơ bản phù hợp và điều chỉnh kích thước ảnh đầu vào là yếu tố then chốt để cân bằng giữa độ chính xác và tốc độ xử lý.

Đề xuất và khuyến nghị

1. Tăng cường sử dụng mạng cơ bản đa tỉ lệ (FPN) và mạng sâu (ResNeXT, CSPDarknet): Để cải thiện khả năng phát hiện đối tượng nhỏ, các nhà phát triển nên ưu tiên tích hợp các kiến trúc mạng có khả năng trích xuất đặc trưng đa tỉ lệ và sâu hơn, giúp tăng độ chính xác từ 1-3% trong các thử nghiệm thực tế.
2. Điều chỉnh kích thước ảnh đầu vào phù hợp với dữ liệu gốc: Khuyến nghị sử dụng kích thước ảnh đầu vào khoảng 600x600 đến 800x800 để đảm bảo thông tin đối tượng nhỏ được giữ lại đầy đủ, tránh giảm hiệu suất do thay đổi kích thước quá lớn hoặc quá nhỏ.
3. Ưu tiên mô hình hai giai đoạn cho các ứng dụng yêu cầu độ chính xác cao: Trong các hệ thống không quá khắt khe về thời gian xử lý, Faster R-CNN hoặc các biến thể của nó nên được lựa chọn để đạt hiệu quả phát hiện tốt nhất.
4. Sử dụng mô hình một giai đoạn cho ứng dụng thời gian thực: Đối với các ứng dụng cần xử lý nhanh như xe tự lái hoặc giám sát trực tiếp, YOLOv4 hoặc SSD là lựa chọn phù hợp, đồng thời cần cân nhắc tối ưu hóa tài nguyên phần cứng để đạt hiệu suất tốt nhất.
5. Phát triển thêm tập dữ liệu đa dạng và phong phú: Đề xuất xây dựng và mở rộng các tập dữ liệu đối tượng nhỏ với đa dạng lớp và ngữ cảnh để hỗ trợ huấn luyện và đánh giá mô hình chính xác hơn trong tương lai.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Thị giác Máy tính: Luận văn cung cấp tổng quan và đánh giá chi tiết các mô hình học sâu phát hiện đối tượng nhỏ, giúp họ hiểu rõ các phương pháp và thách thức hiện tại.
2. Kỹ sư phát triển ứng dụng AI trong công nghiệp và giao thông: Các kết quả và đề xuất giúp lựa chọn mô hình phù hợp cho các hệ thống giám sát, xe tự hành, hoặc kiểm tra chất lượng sản phẩm.
3. Nhà quản lý dự án AI và công nghệ: Cung cấp thông tin về hiệu suất và yêu cầu tài nguyên của các mô hình, hỗ trợ quyết định đầu tư và triển khai công nghệ phù hợp.
4. Cộng đồng phát triển phần mềm mã nguồn mở và nghiên cứu: Luận văn là nguồn tham khảo quý giá để cải tiến các mô hình phát hiện đối tượng, đặc biệt trong việc xử lý đối tượng nhỏ và cân bằng giữa tốc độ và độ chính xác.

Câu hỏi thường gặp

1. Phát hiện đối tượng nhỏ khác gì so với phát hiện đối tượng thông thường?
   Phát hiện đối tượng nhỏ tập trung vào các đối tượng có kích thước vật lý nhỏ hoặc chiếm diện tích nhỏ trong ảnh, gây khó khăn do ít điểm ảnh biểu diễn và dễ bị ảnh hưởng bởi nền phức tạp, trong khi phát hiện đối tượng thông thường thường xử lý các đối tượng lớn hoặc trung bình.

2. Tại sao mô hình hai giai đoạn thường cho độ chính xác cao hơn?
   Vì mô hình hai giai đoạn sử dụng mạng đề xuất vùng để tạo ra các ứng viên chất lượng cao, giúp tập trung phân loại và định vị chính xác hơn, đặc biệt với các đối tượng nhỏ và phức tạp.

3. Làm thế nào để cải thiện hiệu suất phát hiện đối tượng nhỏ?
   Có thể sử dụng mạng cơ bản đa tỉ lệ như FPN, tăng độ phân giải ảnh đầu vào phù hợp, áp dụng hàm focal loss để cân bằng dữ liệu, và kết hợp các kỹ thuật tăng cường dữ liệu hoặc tạo sinh dữ liệu.

4. Mô hình nào phù hợp cho ứng dụng thời gian thực?
   Các mô hình một giai đoạn như YOLOv4 và SSD được thiết kế để xử lý nhanh, phù hợp với các ứng dụng yêu cầu tốc độ cao như xe tự lái hoặc giám sát trực tiếp.

5. Tập dữ liệu nào được sử dụng để đánh giá phát hiện đối tượng nhỏ?
   Small Object Dataset và miniVOC là hai tập dữ liệu chính được sử dụng, bao gồm nhiều lớp đối tượng nhỏ với số lượng ảnh và thực thể đa dạng, giúp đánh giá khách quan hiệu suất các mô hình.

Kết luận

• Luận văn đã tổng hợp và đánh giá chi tiết các mô hình học sâu phổ biến cho bài toán phát hiện đối tượng nhỏ, tập trung vào độ chính xác, tốc độ và tài nguyên sử dụng.
• Mô hình hai giai đoạn như Faster R-CNN với mạng cơ bản ResNeXt-101-64x4d-FPN đạt hiệu suất phát hiện tốt nhất trên các tập dữ liệu đánh giá.
• Mô hình một giai đoạn như YOLOv4 và SSD phù hợp với các ứng dụng thời gian thực nhờ tốc độ xử lý nhanh, mặc dù độ chính xác thấp hơn.
• Đề xuất các giải pháp kỹ thuật và lựa chọn mô hình phù hợp dựa trên yêu cầu ứng dụng và đặc điểm dữ liệu đầu vào.
• Khuyến khích phát triển thêm tập dữ liệu đa dạng và nghiên cứu các kỹ thuật mới để nâng cao hiệu quả phát hiện đối tượng nhỏ trong tương lai.

Các nhà nghiên cứu và kỹ sư nên áp dụng kết quả và đề xuất trong luận văn để tối ưu hóa hệ thống phát hiện đối tượng nhỏ, đồng thời tiếp tục nghiên cứu mở rộng tập dữ liệu và cải tiến mô hình nhằm đáp ứng các yêu cầu ngày càng cao của ứng dụng thực tế.

Trích đoạn nội dung tài liệu

đặt vấn đề, bối cảnh nghiên cứu, mục tiêu của dé tài, phạm vi nghiên cứu của dé tài và cuối cùng là kết quả đạt được của đề tài. Chương 2: Cơ sở lý thuyết. Trình bày các thách thức liên quan đến bài toán phát hiện đối tượng nhỏ và sau đó là các nghiên cứu liên quan cho bài toán này. Chương 3: Đánh giá thực nghiệm.

Trình bày các thông tin liên quan việc thiết lập thực nghiệm và các tập dữ liệu được chọn cho việc đánh giá các phương pháp. Chương 4: Kết quả thực nghiệm và phân tích. Trình bày và phân tích các kết quả mà học viên đạt được thông qua quá trình thực nghiệm. Chương 5: Kết luận và hướng phát triển.

Trong chương này, học viên tóm tắt nội dung đã đạt được và đưa ra hướng phát triển tiếp theo.php?q=21100197510stip=sid 8 Chương 2. CƠ SỞ LÝ THUYET Trong chương này, học viên trình bày các thách thức liên quan đến bài toán phát hiện đối tượng nhỏ và sau đó là các nghiên cứu liên quan cho bài toán này. Thách thức bài toàn phát hiện đối tượng nhỏ Nhìn chung có rất nhiều vấn đề liên quan đến các thách thức mà bài toàn phát hiện đối tượng cần phải giải quyết. Mặc dù bài toán phát hiện đối tượng từ lâu đã thu hút được sự quan tâm của nhiều nhà nghiên cứu nhưng sau khoảng thời gian thực hiện thì các thách thức chỉ mới giải quyết được ở mức độ nhất định.

Cụ thể, tập dữ liệu COCO được đánh giá dựa trên 3 tỉ lệ đối tượng là lớn, trung bình và nhỏ từ đó đã tạo ra thách thức về độ chính xác liên quan đến các tỉ lệ khác nhau, đặc biệt là phát hiện đối tượng có kích thước nhỏ. Các phương pháp hiện tại chủ yếu đạt được độ chính xác cao đối với tỉ lệ đối tượng là lớn và trung bình mà chưa thực sự tập trung vào đối tượng nhỏ. Do đó, trong ngữ cảnh phát hiên đối tượng có kích thước nhỏ thì rất khó cho các nhà nghiên cứu bởi vì ngoài các thách thức phổ thông tổn tại trong bài toán phát hiện đối tượng thì họ còn phải giải quyết các thách thức liên quan đến phát hiện đối tượng có kích thước nhỏ. Bên cạnh đó các định nghĩa về đối tượng có kích thước nhỏ chưa thực sự rõ ràng, việc định nghĩa này phụ thuộc vào tập dữ liệu cũng như mục đích đề xuất của từng công trình khoa học.

Phần nội dung được trình bày sau đây sẽ làm rõ các vấn đề này.11 Thểhiện nhỏ Thể hiện nhỏ ở đây có thể hiểu là đối tượng quan tâm được biểu diễn trong ảnh với kích thước nhỏ tức có số lượng điểm ảnh dùng để biểu diễn cho đối tượng là giới hạn ở một mức độ nhất định. Như đã đề cập, bài toán phát hiện đối tượng nhỏ gần đây được xem là một van dé thu hút nhiều quan tâm bởi vi bản thân bài toàn này có nhiều thách thức thú vị với các nhà nghiên cứu và khả năng ứng dụng của bài toán này vào. Đầu tiên, khả năng xuất hiện của các đối tượng có kích thước nhỏ thì cao hơn so với các đối tượng có kích thước khác trong dữ liệu ảnh đầu vào. Bat cứ vị trí nào của ảnh cũng có thể là đối tượng nhỏ bởi vì sự giống nhau về thể hiện bên CHƯƠNG 2.

CƠ SỞ LÝ THUYET ngoài giữa các đối tượng, thậm chí là giữa đối tượng nhỏ và với ảnh nền. Bên cạnh đó, bởi vì các đối tượng có kích thước nhỏ nên dẫn đến sự thật là các bộ phát hiện đối tượng gặp khó khăn khi phải xác định vị trí của các đối tượng này giữa nhiều đối tượng khác nằm xung quanh chúng hoặc thậm chí là cùng kích thước và thể hiện bề ngoài. Điều này thực sư gây ra các khó khăn nhất định khi phải phân biệt các đối tượng có kích thước nhỏ từ ảnh nền có nội dung lộn xộn. Bởi các điểm ảnh để thé hiện thông tin thị giác cho các đối tượng có kích thước nhỏ thì ít hơn nhiều so với các đối tượng có kích thước lớn khác.

Nói cách khác là sẽ có ít sư thể hiện có nhiều thông tin hỗ trợ cho các bộ phát hiện thực hiện nhiệm vụ của nó. Bên cạnh đó, các đặc trưng phân biệt thể hiện cho các đối tượng nhỏ trong ảnh thì dễ bị ảnh hưởng, thâm chí là mất dần dần sau khi phải đi qua các lớp của mạng học sâu như lớp tích chập hoặc lớp chiết xuất đặc trưng. Ví dụ, trong VGG16 thì nếu đối tượng quan tâm được thể hiện bằng 32 x 32 điểm ảnh, nó sẽ có kích thước khoảng 1 điểm ảnh sau khi đi qua khối chiết xuất thông tin 5 lần. Kết quả là việc tìm kiếm vét cạn bằng các cửa SỐ trượt | hoặc tăng số lượng các khung dé xuất đối tượng như selective search [14] có khả năng là không khả khi để cho ra kết quả tốt.

Một vài mẫu về đối tượng có kích thước được trình bày trong Hinh|I.2 Các khái niệm về đối tượng có kích thước nhỏ Van dé đặt ra đối với bài toán phát hiện đối tượng nhỏ là làm sao xác định như thé nào là đối tượng có kích thước nhỏ hoặc số lượng điểm ảnh mà các đối tượng này được thể hiện trong ảnh. Việc này gây ra các khó khăn nhất định và sẽ khác nhau khi chung ta xét chung các đối tượng trên ảnh có độ phân giải cao hoặc độ phân giải thấp. Ví dụ, một đối tượng được xem là đối tượng nhỏ bởi vì nó chỉ được thể hiện bằng một phan ảnh với kích thước 400 x 400 trên ảnh 2048 x 2048 nhưng sẽ là rất lớn trên ảnh 500 x 500. Do đó, nó gây ra các khó khăn cho các nhà nghiên cứu khi một tập dữ liệu có nhiều ảnh với các kích thước ảnh đa dạng có độ phân giải chênh lệch lớn.

Cho đến hiện tại, có một vài định nghĩa về đối tượng có kích thước nhỏ và các định nghãi này chưa được rõ ràng hoàn toàn. Nó phụ thuộc vào tập dữ liệu mà được sử dụng cho việc đánh giá và đặc trưng thể hiện của các đối tượng được quan tâm. Do đó để thực hiện việc phát hiện các đối tượng có kích thước nhỏ, các 10 2. TAP DU LIỆU VÀ CÁC HƯỚNG TIẾP CAN nhà nghiên cứu tự định nghĩa các điều kiện khác nhau cho các tập dữ liệu khác nhau thay vì chỉ dựa trên kích cỡ của các khung bao đối tượng mà chứa các đối tượng để xác định liệu đối tượng đang xét có kích thước nhỏ hay không.

Ví dụ, Zhu và cộng sự [21] cho rằng đối tượng có kích thước nhỏ là các đối tượng mà kích thước của nó chỉ chiếm 20% diện tích của ảnh khi công bố tập dữ liệu về biển báo giao thông. Nếu biển báo giao thông có kích thước là hình vuông, nó được xem là đối tượng có kích thước nhỏ khi chiều rộng của khung bao đối tượng nhỏ hơn 20% của ảnh và chiều cao của khung bao đói tượng không quá chiều cao của ảnh. Trong công trình 22), Torralba và cộng sự cho rằng đối tượng có kích thước nhỏ sẽ chiếm ít hơn hoặc bằng 32 x 32 điểm ảnh. Trong tập dữ liệu các đối tượng có kích thước nhỏ [ đối tượng được xem là có kích thước nhỏ khi chúng có tỉ lệ chồng lắp giữa diện tích khung bao đối tượng của chúng với diện tích của ảnh từ 0.58%, một cách tương ứng từ 16 x 16 đến 42 x 42 điểm ảnh trong ảnh VGA.

Trong luận văn này, học viên sử dụng lại các định nghĩa về các đối tượng nhỏ đã trình bày, đặc biệt là các định nghĩa từ các công trình | | như là các nguồn tham khảo chính bởi vì các định nghĩa này có độ tin cậy cao và được chấp nhận sử dụng một cách rộng rãi bởi ác nhà nghiên cứu.2 Tập dữ liệu và các hướng tiếp cận Tại thời điểm học viên thực hiện nghiên cứu này thì có ít công trình tập trung vào. giải quyết các van đề liên quan đến đối tượng có kích thước nhỏ, và điều này dẫn đến khó khăn trong việc tiếp cận đến với các kiến thức liên quan để đưa ra một nghiên cứu toàn diện do sự giới hạn của các công trình. Các phương pháp tiếp cận trước đó chủ yếu tập trung vào đối tượng có kích thước lớn mà chưa thực sự quan tâm nhiều sự có mặt của đối tượng có kích thước nhỏ. Do đó, hiệu suất hiện tại mà các phương pháp đã giải quyết các thách thức liên quan đến bài toán phát hiện đối tượng nhỏ chưa được trình bày một cách rõ ràng.

Đây là một trong các lý do mà học viên thực hiện vị iệc đánh giá hiệu xuất của các mô hình phát hiện đối tượng tiên tiến hiện nay để đưa ra được cái nhìn sơ khởi về khả năng giải quyết thách thức cho bài toán phát hiện đối tượng nhỏ. Trong ngữ cảnh bài toán phát hiện đối tượng có kích thước nhỏ, có vài công trình 11 CHƯƠNG 2. CƠ SỞ LÝ THUYET liên quan đến bài toán này. Cho đến hiện tại, hầu hết các công trình chỉ phát hiện một loại đối tượng thuộc vào một lớp đồi tượng cu thể như biển báo giao thông [21].

phương tiện di chuyển [23| [24] 25] hoặc người di bi Các tập dữ liệu không phải là các tập dữ liệu mà chứa nhiều đối tượng thuộc nhiều lớp khác nhau trong đời sống. Điều này dẫn đến việc thiéu hụt cho việc đánh giá khách quan các hướng tiếp cận để thể hiện khả năng phát hiện các đối tượng khác nhau và có độ đa dạng về hình dáng bên ngoài. Tuy nhiên, Chen cùng cộng sự [19] công bố tập dữ liệu dành cho bài toán phát hiện đối tượng nhỏ bằng cách kết hợp tập dữ liệu COCO va SUN [27], cuối cùng tap dữ liệu dé xuất có chứa 10 lớp phổ biến như “mouse,” “telephone,” “switch,” “outlet,” “clock,” “tissue box,” “faucet,” “plate,” and “jar”. Chen cũng tăng cường mô hình RCNN với một số điều chỉnh dé cải thiện hiệu xuất phát hiện đối tượng nhỏ.

Theo ý tưởng này, học viên tiến hành khảo sát các tập dữ liệu hiên tại và học viên thấy rằng PASCAL VOC có điểm chung với COCO và SUN có chứa các đối tượng có kích thước nhỏ với nhiều lớp đối tượng khác nhau.