Học không giám sát độ đo tương tự trên dữ liệu đa tạp của các bộ mô tả hình ảnh

Bài viết "Học không giám sát độ đo tương tự trên dữ liệu đa tạp của các bộ mô tả hình ảnh" đề xuất một phương pháp kết hợp xếp hạng EMR của cả đặc trưng mức thấp và đặc trưng mức cao (CNN) để tăng sự phân biệt giữa ảnh truy vấn và ảnh trong tập dữ liệu. Nghiên cứu cũng thực hiện so sánh với phương pháp học dựa trên đồ thị khác như AGR. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Học không giám sát độ đo tương tự trên dữ liệu đa tạp của các bộ mô tả hình ảnh Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023)Học không giám sát độ đo tương tự trên dữ liệu đa tạp của các bộ mô tả hình ảnh Trần Văn Huy 1 , Ngô Hoàng Huy 2, Đào Văn Tuyết3, Nguyễn Văn Đoàn 4, Hoàng Trọng Minh 5, Hoàng Văn Quý 1, Phạm Thị Kim Dzung6, Nguyễn Thành Ý7 , Lê Đình Nghiệp 1 1 Trường Đại học Hồng Đức, Thanh Hóa, Việt Nam 2 Trường Đại học CMC, Hà Nội, Việt Nam 3 Trường Đại học Quốc tế Sài Gòn, Việt Nam 4 Trường Đại học Điện lực, Hà Nội, Việt Nam 5 Khoa Viễn thông 1, Học viện Công nghệ Bưu Chính, Viễn thông, Hà Nội, Việt Nam 6 Swinburne Vietnam, Trường Đại học FPT, Hà Nội, Việt Nam 7 Trường Đại học FPT, Hà Nội, Việt Nam Email: tranlehuy@hdu.edu.vn, nhhuy@cmc-u.edu.vn, tuyetdv@gmail.com, doannv@epu.edu.vn, hoangtrongminh@ptit.edu.vn, hoangvanquy@hdu.edu.vn, dungptk8@fe.edu.vn, ynt@ fe.edu.vn. ledinhnghiep@hdu.edu.vnTóm tắt— Các mô hình xếp hạng dựa trên đồ thị như nhiều phương pháp dựa trên kỹ thuật xử lý hình ảnhAnchor Graph Regulrization (AGR), Efficient Anchor và thị giác máy tính: Sử dụng đặc trưng mức thấp nhưGraph Regulrization (EAGR), Efficient Manifold màu sắc, cạnh, kết cấu[3]. Trong [4-5] các tác giả sửRanking (EMR) đã được áp dụng rộng rãi trong truy dụng mạng CNN cho thấy độ chính xác rất cao trongvấn ảnh dựa trên nội dung (CBIR). Trong thuật toán các bài toán phân loại hình ảnh. Để trích xuất các đặcEMR, hình ảnh được biểu diễn bằng các đặc trưng mức trưng từ hình ảnh thường phải cần một lượng lớn dữthấp, tuy nhiên, đặc trưng mức thấp có giới hạn của liệu để mạng thích ứng được với sự thay đổi của góc,trong biểu ngữ nghĩa của ảnh. Bài báo này đề xuất một của đối tượng và lựa chọn kỹ thuật phù hợp khá khóphương pháp kết hợp xếp hạng EMR của cả đặc trưng khăn do kết quả thay đổi trên các dữ liệu đầu vào khácmức thấp và đặc trưng mức cao (CNN) để tăng sự phânbiệt giữa ảnh truy vấn và ảnh trong tập dữ liệu. Nghiên nhau, vì thế khi triển khai các hệ thống thực tế thườngcứu cũng thực hiện so sánh với phương pháp học dựa cần kết hợp đặc trưng CNN và đặc trưng mức thấp khitrên đồ thị khác như AGR. Thực nghiệm được thực hiện dữ liệu không đủ đa dạng về hướng và kết cấu.trên tập dữ liệu ảnh lá cây (lá khỏe mạnh và lá nhiễm Bên cạnh đặc trưng biểu diễn ảnh, độ đo tương tựbệnh), hình ảnh X Quang phổi (ảnh phổi thông thường, và phản tương tự cũng là một thành phần quan trọngCOVID-19 và viêm phổi). Kết quả thực nghiệm chứng trong các hệ thống nhận dạng, phân loại ảnh.minh hiệu quả của phương pháp xếp hạng mới, đặc biệt Nói chung các độ đo phản tương tự như khoảnglà trong việc cải thiện chất lượng truy vấn và đo độ cách Euclid là không phù hợp khi so khớp đặc trưngtương tự giữa các hình ảnh trong ngữ cảnh cụ thể. biểu diễn ảnh. Yang [6] chỉ ra rằng tồn tại các mối liên hệ giữa học đa tạp và học độ đo khoảng cách. Liên Từ khóa- CBIR, lá cây, ảnh y tế, EMR, AGR, học độ quan đến dữ liệu đa tạp, xếp hạng đa tạp (MR) [7]đo tương tự ảnh, COVID-19, Unsupervised Learning. được biết đến như một mô hình dựa trên đồ thị đã được áp dụng thành công cho truy vấn hình ảnh dựa I. GIỚI THIỆU trên nội dung (CBIR) bằng các đặc trưng mức thấp [8- 10] và đặc trưng CNN. Trong bài viết này, chúng tôi Trong thời gian gần đây, xử lý ảnh và thị giác máy đề xuất sử dụng học độ đo tương tự của xếp hạng đatính đã đạt được sự phát triển mạnh mẽ và tích hợp tạp hiệu quả để tận dụng các ưu điểm của xếp hạng đarộng rãi vào nhiều lĩnh vực cuộc sống. Trong y tế, xử tạp trên cả đặc trưng mức thấp và đặc trưng được tríchlý ảnh đối mặt với thách thức của việc phát hiện bệnh rút từ mạng CNN EfficientNet khi nhận dạng và truyqua hình ảnh y tế, trong khi nông nghiệp đang đối diện vấn ảnh lá cây, ảnh X- Quang phổi bao gồm cả trạngvới thách thức quan trọng là nhận diện sâu bệnh trên thái khỏe mạnh và trạng thái bị nhiễm bệnh.cây trồng, bao gồm cả lá cây và sâu bệnh. Vì thế, việc Phần còn lại của bài báo được cấu trúc như sau.phân loại và tìm kiếm các bệnh dựa trên kỹ thuật xửlý hình ảnh và thị giác máy tính có ý nghĩa lớn trong Phần II nghiên cứu liên quan và phương pháp đề xuất.thực tế [1-2]. Phần III thực nghiệm trên các bộ dữ liệu Leaf2k, Phân biệt giữa lá khỏe mạnh và lá bị bệnh thường COVID-19 chest X-ray. Và cuối cùng là kết luậndựa trên các đặc trưng hình thái như kết cấu, màu sắc, trong Phần IV.hình dạng,… Do sự tương đồng trong các thuộc tínhhình thái giữa các loại cây, việc phân loại và tìm kiếmtrở nên phức tạp, ...