TÌM KIẾM ẢNH THEO NGỮ NGHĨA DỰA TRÊN CẤU TRÚC iRS-TREE VÀ ONTOLOGY

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 175 tương tự của các phần tử trong một phân lớp, nếu các phần tử trong một phân lớp càng gần nhau thì ngưỡng  càng bé. 𝑇𝑜𝑝𝑘 càng lớn độ chính xác càng thấp, độ phủ càng cao. Để đánh giá hiệu quả của phương pháp tìm kiếm ảnh, trong phần thực nghiệm chúng tôi đánh giá các giá trị gồm: độ chính xác (precision), độ phủ (recall) và độ đo dung hòa F-measure. Ngoài ra, để đánh giá độ chính xác của phương pháp, chúng tôi sử dụng độ chính xác trung bình MAP (Mean Average Precision). MAP được tính theo công thức như sau: 𝑀𝐴𝑃 = ∑ 𝑃𝑖 𝑛 𝑖=1 𝑛 trong đói 𝑃𝑖 là độ chính xác của mỗi truy vấn và n là số lượng truy vấn được thực hiện. Kết quả thực nghiệm được trình bày trên Hình 12–14. Mỗi đường cong trên đồ thị mô tả kết quả truy vấn từ một chủ đề ảnh trong bộ dữ liệu COREL, OxfordFlower-102 và CUB-200- 2011; mỗi điểm trên đường cong là một hình ảnh theo từng chủ đề. Dựa vào các hình ảnh có thể thấy diện tích AUC dưới đường cong Precision-Recall của tập ảnh COREL là lớn nhất (Hình 12), có nghĩa là độ chính xác cao nhất. Trong khi đó, AUC của bộ ảnh CUB-200-2011 nhỏ hơn; các đường cong gần đường baseline, nên độ chính xác cũng thấp hơn. Điều này cho thấy khi số lượng lớp ảnh lớn, việc tìm kiếm chính xác hình ảnh cũng khó khăn hơn. Đồng thời, đường cong tương ứng trong đồ thị ROC cho biết tỷ lệ kết quả truy vấn đúng và sai, nghĩa là diện tích dưới đường cong này đánh giá tính đúng đắn của các kết quả truy vấn. Diện tích AUC dưới đường cong của đồ thị ROC của các tập ảnh đều nằm trên đường baseline,

cho thấy kết quả phân loại trong bài báo của chúng tôi là đúng. Trong đó, các điểm trên đường cong của tập ảnh COREL nằm gần điểm gốc (0,1) bên trái của đồ thị hơn các đồ thị khác, cho thấy kết quả phân loại của COREL là tốt nhất. Do đó, với các tập ảnh có số lượng ảnh, số lượng lớp ảnh ít thì việc tìm kiếm và phân loại sẽ dễ dàng và tốt hơn các tập ảnh khác. Hình 12. Precision-Recall và đường cong ROC của bộ dữ liệu COREL