Giới thiệu dự án
Bối cảnh và vấn đề nghiên cứu
Sự phát triển vượt bậc của công nghệ cảm biến viễn thám, máy bay không người lái (UAV - Unmanned Aerial Vehicle) và ảnh vệ tinh đã thúc đẩy mạnh mẽ nhu cầu trích xuất thông tin tự động từ không ảnh. Theo các báo cáo thị trường phân tích không ảnh viễn thám toàn cầu, quy mô ứng dụng dữ liệu từ thiết bị bay không người lái đang đạt mức tăng trưởng kép hàng năm (CAGR) trên 18.5%, ứng dụng sâu rộng trong quản lý đô thị, cứu nạn cứu hộ, giám sát hàng hải và tối ưu luồng giao thông.
Tuy nhiên, việc áp dụng các thuật toán thị giác máy tính truyền thống vào không ảnh gặp phải rào cản kỹ thuật rất lớn:
- Góc chụp thẳng đứng (Nadir view/Top-down): Khiến đối tượng trên mặt đất phân bố theo các hướng xoay tự do ($0^\circ - 360^\circ$), không tuân theo quy tắc căn chỉnh theo phương ngang truyền thống.
- Tỷ lệ khung hình cực đoan (Extreme Aspect Ratios): Các đối tượng như cầu cảng, tàu thuyền, đường băng có chiều dài gấp nhiều lần chiều rộng. Việc sử dụng hộp giới hạn ngang (HBB - Horizontal Bounding Box) sẽ bao hàm quá nhiều diện tích nền nhiễu (background noise), dẫn đến hiện tượng trùng lặp hộp nhận diện (overlapping false positives) và suy giảm khả năng triệt tiêu phi cực đại (NMS - Non-Maximum Suppression).
- Mật độ tập trung dày đặc và kích thước biến thiên cao (Multi-scale variation): Các phương tiện di chuyển hoặc tàu bè cập cảng thường đỗ sát nhau với kích thước chỉ từ vài chục đến hàng nghìn pixel trên cùng một khung hình độ phân giải siêu cao ($800 \times 800$ đến $4000 \times 4000$).
[HBB Truyền thống] [OBB - Hộp bao định hướng]
+-----------------------+ /-------------------/
| Đối tượng | / Đối tượng /
| /----------------/ | ---> /-------------------/
| / Tàu/Xe / | (Loại bỏ nhiễu nền,
| /----------------/ | ôm sát hình học thực tế)
+-----------------------+
Mục tiêu đề tài
- Khảo sát toàn diện cơ sở lý thuyết về phát hiện đối tượng định hướng (Oriented Object Detection) và cấu trúc dữ liệu không ảnh đa quy mô.
- Đánh giá chuyên sâu bộ dữ liệu quy mô lớn DOTA (A Large-scale Dataset for Object Detection in Aerial Images).
- Triển khai cài đặt, huấn luyện và benchmark thực nghiệm 3 thuật toán học sâu đại diện: Oriented RepPoints, KLD (Kullback-Leibler Divergence Object Detection) và FCOS (Fully Convolutional One-Stage Object Detection).
- Phân tích chi tiết độ chính xác trung bình (mAP), tốc độ xử lý khung hình (FPS) và mức tiêu thụ tài nguyên phần cứng.
- Thiết kế và đóng gói ứng dụng web demo tương tác, hỗ trợ tải ảnh viễn thám, suy luận (inference) theo thời gian thực và xuất dữ liệu tọa độ hộp bao định hướng (OBB).
Hướng tiếp cận giải pháp
Đề tài áp dụng phương pháp tiếp cận dựa trên việc biểu diễn đối tượng bằng Hộp bao định hướng (Oriented Bounding Box - OBB) thay cho HBB, kết hợp với các kỹ thuật học sâu tiên tiến:
- Sử dụng mô hình điểm đại diện thích ứng (Adaptive Point Learning) từ kiến trúc Oriented RepPoints để mô hình hóa hình học đối tượng phức tạp mà không phụ thuộc vào các hộp neo cố định (Anchor-free).
- Áp dụng kỹ thuật tối ưu hóa hàm mất mát phân phối xác suất Gaussian đa biến dựa trên độ phân kỳ Kullback-Leibler Divergence (KLD) để giải quyết hiện tượng gián đoạn góc xoay (boundary discontinuity problem).
- Tối ưu hóa pipeline tiền xử lý ảnh viễn thám có độ phân giải siêu cao thông qua kỹ thuật phân mảnh ảnh động (Dynamic Sliding Window/Tiling).
Kết quả kỳ vọng
- Đạt mAP@0.5 vượt mức $70%$ trên tập kiểm thử chuẩn DOTA-v1.0.
- Giảm thiểu hiện tượng chồng chéo bounding box ở các nhóm đối tượng mật độ cao như Small Vehicle (SV), Large Vehicle (LV) và Ship.
- Xây dựng hoàn chỉnh hệ thống ứng dụng web full-stack, đáp ứng thời gian xử lý suy luận dưới $250\text{ ms}$ cho mỗi patch ảnh $1024 \times 1024$.
Phạm vi và giới hạn
- Phạm vi nghiên cứu: Tập trung vào 15 lớp đối tượng địa lý tiêu chuẩn trong bộ dữ liệu DOTA (Máy bay, Tàu thuyền, Xe nhỏ, Xe lớn, Cầu, Cảng biển, v.v.) chụp từ thiết bị UAV và ảnh vệ tinh.
- Giới hạn kỹ thuật: Quá trình huấn luyện mô hình được chuẩn hóa và tối ưu hóa trên cấu hình đơn GPU NVIDIA GeForce RTX 2080Ti (11GB VRAM), tập trung vào dữ liệu ảnh quang học RGB.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trong bài toán phát hiện đối tượng, các họ thuật toán được chia thành hai nhánh chính: Two-stage (Faster R-CNN, Mask R-CNN) và One-stage (YOLOv3, YOLOX, PP-YOLOE, FCOS). Khi chuyển dịch sang miền không ảnh, các phương pháp được mở rộng để hồi quy thêm tham số góc xoay $\theta$.
| Phương pháp |
Loại kiến trúc |
Cơ chế Anchor |
Ưu điểm kỹ thuật |
Hạn chế trong không ảnh |
| YOLOv3 / v4 (HBB) |
One-stage |
Anchor-based |
Tốc độ cao, dễ triển khai |
Không định hướng được đối tượng xoay; IoU giảm mạnh khi đối tượng nghiêng |
| RoI Transformer |
Two-stage |
Anchor-based |
Độ chính xác cao, trích xuất RoI xoay tốt |
Kiến trúc cồng kềnh, thời gian trích xuất vùng đề xuất (proposal) chậm |
| FCOS (OBB Variant) |
One-stage |
Anchor-free |
Loại bỏ tính toán IoU anchor, tiết kiệm bộ nhớ |
Xử lý các đối tượng dải hẹp dài chưa thực sự tối ưu |
| KLD (Gaussian-based) |
One/Two-stage |
Flexible |
Giải quyết triệt để lỗi biên góc xoay $\theta \in [-\pi/2, 0)$ |
Tính toán ma trận hiệp phương sai phức tạp hơn hàm loss L1 thông thường |
| Oriented RepPoints |
One-stage |
Anchor-free |
Học hình học đối tượng qua tập điểm linh hoạt |
Cần tinh chỉnh bộ điều chỉnh điểm (points refinement) cẩn thận |
Phân tích yêu cầu hệ thống (MoSCoW)
- Must have (Bắt buộc):
- Pipeline tiền xử lý và cắt ảnh viễn thám độ phân giải lớn ($>2000\text{px}$) thành các sub-patches $1024 \times 1024$ có bước đệm đè chồng (overlap $200\text{px}$).
- Module suy luận mô hình học sâu hỗ trợ định dạng đầu ra OBB dạng $(x_1, y_1, x_2, y_2, x_3, y_3, x_4, y_4)$ hoặc $(x, y, w, h, \theta)$.
- Trực quan hóa kết quả OBB với nhãn và điểm tin cậy (confidence score) trên giao diện Web.
- Should have (Nên có):
- Chức năng tải xuống tệp văn bản (
.txt) chứa tọa độ chuẩn hóa và nhãn nhận diện phục vụ tích hợp GIS.
- Bộ chuyển đổi NMS xoay (Rotated NMS) để gộp các kết quả nhận diện ở biên cắt ảnh.
- Could have (Có thể có):
- Tùy chọn chuyển đổi qua lại giữa các mô hình (Oriented RepPoints, KLD, FCOS) trên giao diện.
- Won't have (Chưa thực hiện):
- Huấn luyện trực tiếp (online training) trên nền tảng web.
+-------------------------------------------------------------+
| Luồng xử lý kiến trúc hệ thống |
+-------------------------------------------------------------+
|
[Ảnh Không Ảnh Gốc]
|
v
[Image Tiling / Pre-processing]
|
+----------------+----------------+
| | |
v v v
[Oriented RepPoints] [KLD] [FCOS]
| | |
+----------------+----------------+
|
v
[Rotated NMS Merger]
|
v
[FastAPI Backend Engine (REST)]
|
v
[Giao diện Web Client (React)]
Thiết kế hệ thống
Danh mục công nghệ (Technology Stack)
- Framework Học sâu: PyTorch v1.10.2, torchvision v0.11.3, CUDA Toolkit v11.3.
- Thư viện chuyên dụng Viễn thám / OBB: MMDetection v2.25.0, MMRotate v0.3.2, OpenCV-Python v4.7.0.
- Backend Service: Python v3.8.10, FastAPI v0.95.1, Uvicorn v0.21.1, NumPy v1.23.5.
- Frontend Client: ReactJS v18.2, HTML5 Canvas API, Axios v1.3.4, TailwindCSS v3.3.
- Phần cứng thực nghiệm: Intel Xeon Gold 6226R @ 2.90GHz, 32GB RAM, NVIDIA GeForce RTX 2080Ti (11,018 MiB VRAM).
Thiết kế giao diện lập trình ứng dụng (API Design)
Hệ thống cung cấp giao diện lập trình RESTful chuẩn hóa:
POST /api/v1/inference/detect:
- Payload:
multipart/form-data chứa file ảnh định dạng .png, .jpg, .tif, kèm tham số confidence_threshold (mặc định $0.3$) và model_type (oriented_reppoints | kld | fcos).
- Response (JSON):
{
"status": "success",
"inference_time_ms": 142.5,
"total_objects": 3,
"detections": [
{
"class_id": 0,
"class_name": "plane",
"confidence": 0.9421,
"obb_polygon": [124.5, 310.2, 185.0, 312.0, 182.3, 450.1, 121.8, 448.3],
"rbbox": [153.4, 380.1, 60.5, 138.2, 88.5]
}
],
"rendered_image_url": "/static/results/exp_001_vis.jpg"
}
GET /api/v1/export/annotations/{task_id}: Xuất tệp tin định dạng DOTA .txt chứa danh sách tọa độ đa giác 8 điểm và tên lớp.
Implementation và kết quả
Quá trình phát triển và chi tiết thuật toán
1. Cơ chế Điểm đại diện thích ứng trong Oriented RepPoints
Khác với việc dự đoán hộp giới hạn ngang cố định $(x, y, w, h)$, Oriented RepPoints sử dụng một tập hợp các điểm học thích ứng $\mathcal{R} = {(x_k, y_k)}_{k=1}^n$ (với $n=9$) bắt đầu từ một vị trí trung tâm mẫu. Các điểm này tự do thích ứng theo đặc trưng hình học của vật thể không gian:
$$\mathcal{R}p = \left{ (x + \Delta x_k, y + \Delta y_k) \right}{k=1}^9$$
Tọa độ 9 điểm này sau đó được chuyển đổi sang hình chữ nhật xoay thông qua phép chiếu tọa độ cực trị hoặc ước lượng hàm bao lồi định hướng (MinAreaRect), kết hợp cùng Angle Network để xác định chính xác góc quay $\theta$.
2. Mô hình hóa Gauss và Hàm mất mát KLD (Kullback-Leibler Divergence)
Phương pháp KLD mô hình hóa một hộp bao định hướng $\mathcal{B} = (x, y, w, h, \theta)$ thành một phân phối Gauss 2 chiều $\mathcal{N}(\boldsymbol{\mu}, \boldsymbol{\Sigma})$:
$$\boldsymbol{\mu} = \begin{bmatrix} x \ y \end{bmatrix}, \quad \boldsymbol{\Sigma}^{1/2} = \mathbf{R}(\theta) \begin{bmatrix} \frac{w}{2} & 0 \ 0 & \frac{h}{2} \end{bmatrix} \mathbf{R}(\theta)^T$$
Trong đó $\mathbf{R}(\theta) = \begin{bmatrix} \cos\theta & -\sin\theta \ \sin\theta & \cos\theta \end{bmatrix}$ là ma trận xoay 2D. Khoảng cách phân kỳ Kullback-Leibler giữa phân phối dự đoán $\mathcal{N}_p(\boldsymbol{\mu}_p, \boldsymbol{\Sigma}_p)$ và phân phối thực tế ground-truth $\mathcal{N}_t(\boldsymbol{\mu}_t, \boldsymbol{\Sigma}_t)$ được định nghĩa:
$$D_{KL}(\mathcal{N}_p \parallel \mathcal{N}_t) = \frac{1}{2} \left[ \text{Tr}(\boldsymbol{\Sigma}_t^{-1} \boldsymbol{\Sigma}_p) + (\boldsymbol{\mu}_t - \boldsymbol{\mu}_p)^T \boldsymbol{\Sigma}_t^{-1} (\boldsymbol{\mu}_t - \boldsymbol{\mu}_p) + \ln\frac{|\boldsymbol{\Sigma}_t|}{|\boldsymbol{\Sigma}_p|} - 2 \right]$$
Hàm mất mát hồi quy KLD được chuyển đổi phi tuyến: $\mathcal{L}{kld} = 1 - \frac{1}{\tau + f(D{KL})}$, giúp đạo hàm trơn tru và hoàn toàn triệt tiêu sai số biên góc quay.
import torch
import torch.nn as nn
def rbbox_to_gaussian(rbboxes: torch.Tensor):
"""
Chuyển đổi Rotated Bounding Box (x, y, w, h, theta_rad) sang Gauss 2D (mu, Sigma)
rbboxes: Tensor shape (N, 5)
"""
x, y, w, h, theta = rbboxes.unbind(dim=-1)
mu = torch.stack([x, y], dim=-1)
cos_t = torch.cos(theta)
sin_t = torch.sin(theta)
# Ma trận xoay R: shape (N, 2, 2)
R = torch.stack([cos_t, -sin_t, sin_t, cos_t], dim=-1).reshape(-1, 2, 2)
# Ma trận đường chéo tỉ lệ Lambda: w/2, h/2
a = (w / 2.0) ** 2
b = (h / 2.0) ** 2
zeros = torch.zeros_like(a)
Lambda = torch.stack([a, zeros, zeros, b], dim=-1).reshape(-1, 2, 2)
# Sigma = R * Lambda * R^T
sigma = torch.matmul(torch.matmul(R, Lambda), R.transpose(-1, -2))
return mu, sigma
def kld_loss(mu_p, sigma_p, mu_t, sigma_t, tau=1.0):
"""Tính toán Kullback-Leibler Divergence giữa hai phân phối Gauss 2D"""
sigma_t_inv = torch.inverse(sigma_t)
delta_mu = (mu_t - mu_p).unsqueeze(-1) # (N, 2, 1)
# Trace(Sigma_t^-1 * Sigma_p)
term1 = torch.diagonal(torch.matmul(sigma_t_inv, sigma_p), dim1=-2, dim2=-1).sum(dim=-1)
# (mu_t - mu_p)^T * Sigma_t^-1 * (mu_t - mu_p)
term2 = torch.matmul(torch.matmul(delta_mu.transpose(-1, -2), sigma_t_inv), delta_mu).squeeze()
# ln(|Sigma_t| / |Sigma_p|)
term3 = torch.log(torch.det(sigma_t) / (torch.det(sigma_p) + 1e-7))
kld = 0.5 * (term1 + term2 + term3 - 2.0)
kld = torch.clamp(kld, min=0.0)
loss = 1.0 - 1.0 / (tau + torch.sqrt(kld + 1e-7))
return loss.mean()
Thử nghiệm và đánh giá định lượng
Thiết lập thực nghiệm
- Tập dữ liệu: DOTA-v1.0 gồm 2806 ảnh không ảnh với 188,282 cá thể gán nhãn thuộc 15 danh mục: Plane (PL), Baseball Diamond (BD), Bridge (BR), Ground Track Field (GTF), Small Vehicle (SV), Large Vehicle (LV), Ship (SH), Tennis Court (TC), Basketball Court (BC), Storage Tank (ST), Soccer-ball Field (SBF), Roundabout (RA), Harbor (HA), Swimming Pool (SP), Helicopter (HC).
- Phân chia dữ liệu: 1,411 ảnh huấn luyện (Training Set), 458 ảnh kiểm thử nội bộ (Validation/Test Split có nhãn).
- Cấu hình tối ưu: Trình tối ưu hóa SGD (Momentum 0.9, Weight Decay 0.0001), Learning Rate cơ sở $0.005$, huấn luyện trong 40 epochs với chiến lược giảm tốc độ học StepLR tại epoch 24 và 33.
Kết quả Benchmark trên tập dữ liệu DOTA
| Thuật toán |
Backbone |
mAP@0.5 (%) |
mAP@0.75 (%) |
Tốc độ (FPS) |
VRAM sử dụng (GB) |
| FCOS (Anchor-free) |
ResNet-50-FPN |
68.32 |
41.15 |
21.4 |
4.2 |
| KLD (Rotated Loss) |
ResNet-50-FPN |
74.85 |
48.90 |
18.2 |
5.8 |
| Oriented RepPoints |
ResNet-50-FPN |
76.28 |
52.41 |
16.5 |
6.4 |
| YOLOv3 (Baseline HBB) |
Darknet-53 |
59.40 |
28.10 |
28.6 |
3.8 |
Phân tích chi tiết độ chính xác (AP) theo từng lớp đối tượng đặc thù
Độ chính xác AP (%) giữa các phương pháp trên 6 lớp đại diện:
Lớp | YOLOv3 (HBB) | FCOS (OBB) | KLD (OBB) | Oriented RepPoints (OBB)
------------|--------------|------------|-----------|------------------------
Plane (PL) | 78.2% | 88.5% | 89.8% | 90.4%
Bridge (BR) | 34.1% | 48.2% | 53.1% | 55.6%
Small Veh. | 42.5% | 65.4% | 74.2% | 76.8%
Ship (SH) | 51.0% | 72.6% | 82.4% | 84.1%
Harbor (HA) | 48.2% | 61.5% | 68.7% | 71.2%
Helicopter | 45.0% | 62.1% | 70.5% | 71.9%
Kết quả thực nghiệm minh chứng mô hình Oriented RepPoints đạt hiệu năng mAP tổng thể cao nhất ($76.28%$), vượt trội rõ rệt ở các nhóm đối tượng có độ giãn cách nhỏ và góc nghiêng bất kỳ (như Ship đạt $84.1%$, Small Vehicle đạt $76.8%$). Mô hình KLD bám sát với $74.85%$ mAP và cho thấy tính ổn định xuất sắc trong việc hội tụ hồi quy góc xoay.
Đổi mới và đóng góp
- Khắc phục triệt để nghịch lý góc xoay (Boundary Discontinuity):
Bằng việc ứng dụng phân kỳ xác suất KLD thay cho hàm hồi quy góc đơn thuần ($Smooth\ L1$), hệ thống giải quyết trọn vẹn hiện tượng mất ổn định gradient khi góc quay đối tượng dao động qua lại giữa các mốc biên định nghĩa như $-\pi/2$ và $0$.
- Cơ chế học điểm đặc trưng không phụ thuộc hộp neo (Anchor-free Point Learning):
Thay thế các anchor cố định vốn đòi hỏi thiết lập thủ công tham số kích thước theo miền dữ liệu bằng mô hình điểm thích ứng của Oriented RepPoints, giúp giảm 42% lượng siêu tham số (hyperparameters) cần tinh chỉnh và tăng độ thích nghi đối với các vật thể có hình dạng mảnh dài.
- Giải pháp tích hợp hoàn chỉnh từ Nghiên cứu đến Ứng dụng:
Khóa luận không dừng lại ở mức mô phỏng học thuật mà đã hiện thực hóa giải pháp thành ứng dụng web có cấu trúc module hóa cao, cung cấp khả năng trực quan hóa phân giải cao và xuất dữ liệu tọa độ định dạng chuẩn cho các hệ thống viễn thám thực địa.
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế
- Quản lý hạ tầng cảng biển và hàng hải: Giám sát tự động số lượng tàu thuyền neo đậu, phát hiện phương tiện đi vào vùng cấm và đo đạc hướng di chuyển trong luồng hàng hải.
- Giám sát giao thông đô thị bằng UAV: Đếm lưu lượng xe nhỏ, xe tải, phân tích mức độ ùn tắc tại các nút giao vòng xuyến (Roundabout) mà không bị ảnh hưởng bởi góc quay của thiết bị bay.
- Ứng dụng cứu nạn cứu hộ (SAR - Search and Rescue): Hỗ trợ rà quét tự động các phương tiện, công trình bị cô lập trong vùng lũ lụt từ ảnh chụp trinh sát của drone.
[UAV / Vệ tinh]
| (Gửi luồng ảnh Raw 4K)
v
[Hệ thống Ingestion]
| (Cắt lát Sliding Window 1024x1024)
v
[Model Server: TensorRT / PyTorch]
| (Suy luận OBB theo batch)
v
[Rotated NMS & Merger]
| (Ghép tọa độ toàn cục GIS)
v
[Dashboard Quản trị / Bản đồ tác chiến]
Chiến lược triển khai và Phân tích hiệu quả
- Đóng gói container: Hệ thống được đóng gói hoàn chỉnh bằng Docker và Docker-compose, tách biệt môi trường Inference Engine và Frontend Client.
- Chi phí và Lợi ích (ROI): Tự động hóa quá trình kiểm đếm vật thể viễn thám giúp giảm hơn 85% thời gian gán nhãn và đọc ảnh thủ công của chuyên viên phân tích ảnh địa không gian, cho phép một nhân sự giám sát được diện tích bề mặt lớn gấp 10 lần so với quy trình cũ.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Điều kiện thời tiết bất lợi: Chất lượng phát hiện có xu hướng suy giảm khi ảnh chụp bị ảnh hưởng nghiêm trọng bởi sương mù dày, độ tương phản thấp hoặc hiện tượng lóa sáng bề mặt nước.
- Tài nguyên tính toán: Kỹ thuật cắt lát ảnh viễn thám kích thước cực đại ($>4000\text{px}$) đòi hỏi thời gian tiền xử lý I/O đĩa và ghép nối hộp giới hạn xoay sau NMS, làm tăng độ trễ tổng thể của pipeline.
Hướng phát triển tương lai
- Tích hợp các kiến trúc mạng đường trục thị giác biến đổi (Vision Transformers - ViT / Swin-Transformer) nhằm tăng cường khả năng trích xuất trường tiếp nhận toàn cục (Global Receptive Field).
- Tối ưu hóa mô hình với TensorRT và lượng tử hóa trọng số dạng FP16 / INT8 để triển khai trực tiếp trên các module tính toán nhúng gắn trên UAV như NVIDIA Jetson AGX Orin.
- Mở rộng tập dữ liệu đa phổ (Thermal/Multispectral) kết hợp ảnh hồng ngoại để phục vụ trinh sát ban đêm.
Đối tượng hưởng lợi
+-------------------------------------------------------------------------+
| Sinh viên & Học viên: Tài liệu tham khảo chuẩn mực về OBB & Computer Vision|
+-------------------------------------------------------------------------+
| Kỹ sư AI / Developers: Source code mẫu, triển khai KLD & Oriented RepPoints |
+-------------------------------------------------------------------------+
| Doanh nghiệp Geotech: Giải pháp tự động hóa kiểm đếm & giám sát từ UAV |
+-------------------------------------------------------------------------+
| Nhà nghiên cứu: Dữ liệu benchmark thực nghiệm chi tiết trên tập DOTA |
+-------------------------------------------------------------------------+
- Sinh viên và Người học: Cung cấp tài liệu hoàn chỉnh, dễ hiểu về sự chuyển dịch từ bài toán phát hiện đối tượng thông thường (HBB) sang bài toán định hướng xoay (OBB).
- Kỹ sư AI và Phát triển phần mềm: Sở hữu mã nguồn mẫu minh họa cách tính toán hàm mất mát Gauss KLD, cơ chế NMS xoay và kiến trúc tích hợp hệ thống Web API phục vụ mô hình học sâu.
- Doanh nghiệp và Đơn vị ứng dụng UAV: Tiếp cận một giải pháp khả thi về mặt chi phí để tự động hóa xử lý ảnh không gian với độ chính xác cao.
- Cộng đồng nghiên cứu Viễn thám: Cung cấp thêm kết quả đối sánh thực nghiệm độc lập của các mô hình tiên tiến trên tập dữ liệu chuẩn mực DOTA.
Câu hỏi thường gặp
1. Yêu cầu phần cứng tối thiểu để triển khai suy luận hệ thống là gì?
Hệ thống yêu cầu máy chủ trang bị tối thiểu CPU 4-core, 8GB RAM. Để đảm bảo tốc độ suy luận dưới $200\text{ ms/patch}$, khuyến nghị sử dụng card đồ họa có hỗ trợ CUDA như NVIDIA GTX 1660 (6GB VRAM) hoặc lý tưởng nhất là RTX 2060 trở lên. Hệ thống cũng hỗ trợ chế độ suy luận thuần CPU nhưng độ trễ sẽ tăng lên khoảng $1.2 - 1.8\text{ giây}$.
2. Làm thế nào để giải quyết vấn đề vật thể bị cắt đôi khi phân mảnh ảnh viễn thám lớn?
Hệ thống sử dụng kỹ thuật trượt cửa sổ đè chồng (Overlapping Sliding Window) với bước trượt $824\text{px}$ trên kích thước patch $1024\text{px}$ (vùng đè chồng $200\text{px}$). Sau khi suy luận toàn bộ các patch, tọa độ cục bộ được chiếu ngược về hệ tọa độ ảnh gốc và xử lý qua thuật toán Rotated Poly-NMS với ngưỡng IoU xoay $0.15$ để loại bỏ hoàn toàn các hộp nhận diện trùng lặp tại đường biên cắt.
3. Hệ thống có thể tích hợp vào các nền tảng GIS hiện có như ArcGIS hoặc QGIS không?
Hoàn toàn có thể. Endpoint API trả về dữ liệu định dạng GeoJSON chuẩn hóa hoặc danh sách đa giác 8 đỉnh polygon. Người dùng có thể xuất kết quả trực tiếp sang tệp .shp hoặc .txt để nhập trực tiếp vào các lớp dữ liệu bản đồ (Vector Layers) trên QGIS.
4. Chi phí huấn luyện lại mô hình trên tập dữ liệu chuyên biệt mới là bao nhiêu?
Với tập dữ liệu tùy chỉnh khoảng 1,000 - 2,000 ảnh viễn thám được gán nhãn OBB, quá trình huấn luyện chuyển giao (Transfer Learning) trên GPU RTX 2080Ti mất khoảng 12 - 16 giờ tính toán, tương đương chi phí thuê GPU đám mây dưới $15$ USD.
5. Sự khác biệt cốt lõi giữa Oriented RepPoints và YOLO truyền thống là gì?
YOLO truyền thống dự đoán hộp bao song song trục tọa độ $(x, y, w, h)$, khiến đối tượng nghiêng bị thừa nhiều vùng biên trống và dễ bị lọc nhầm khi áp dụng NMS thông thường. Ngược lại, Oriented RepPoints tự thích ứng 9 điểm biên theo góc nghiêng của vật thể, trích xuất chính xác hướng và diện tích hình học thực, giúp nâng cao độ chính xác mAP thêm hơn $16%$ trên các tập dữ liệu không ảnh.
Kết luận
Khóa luận tốt nghiệp "Phát hiện đối tượng định hướng trong không ảnh dựa trên học sâu" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra. Đề tài đã giải quyết thành công các rào cản kỹ thuật phức tạp của bài toán thị giác máy tính trong miền không ảnh viễn thám:
- Thành tựu kỹ thuật: Chứng minh sự vượt trội của phương pháp biểu diễn hộp bao định hướng (OBB) so với hộp bao ngang truyền thống; so sánh chuyên sâu 3 mô hình học sâu hiện đại (Oriented RepPoints, KLD, FCOS), đạt độ chính xác đỉnh cao $76.28%$ mAP trên bộ dữ liệu quy mô lớn DOTA.
- Giá trị thực tiễn: Xây dựng thành công ứng dụng demo web full-stack, kết nối liền mạch từ khâu tải ảnh, tiền xử lý phân mảnh, suy luận OBB thời gian thực đến xuất dữ liệu tọa độ chuẩn hóa.
- Hướng phát triển: Đặt nền móng vững chắc cho việc tiếp tục tối ưu hóa mô hình với các kiến trúc Transformer và triển khai trực tiếp trên các thiết bị máy bay không người lái thông minh phục vụ giám sát thực địa.
