TÌM KIẾM ẢNH ĐA ĐỐI TƯỢNG DỰA TRÊN MẠNG R-CNN VÀ CẤU TRÚC KD-TREE

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 59 4 Cấu trúc KD-Tree cho tìm kiếm ảnh đa đối tượng 4.1 Xây dựng cấu trúc KD-Tree lưu trữ ảnh phân đoạn Mỗi hình ảnh sau khi phân đoạn đối tượng và trích xuất thành các vector đặc trưng được lưu trữ trên cấu trúc KD-Tree [14]. Mục đích xây dựng cấu trúc KD-Tree để lưu trữ hình ảnh đã phân đoạn là làm cho quá trình tìm kiếm nhanh và hiệu quả. Bên cạnh đó, cấu trúc KD-Tree có khả năng mở rộng số nhánh đã được chứng minh từ công trình [9]. Vì vậy, trong bài báo này, một cải tiến khác là mỗi hình ảnh được phân đoạn theo đối tượng bằng mạng R-CNN trước khi lưu trữ trên cấu trúc KD-Tree. Theo đó, nghiên cứu này đề xuất thuật toán xây dựng cấu trúc KD-Tree dựa trên tập vector đặc trưng vùng ảnh đối tượng được đề xuất. Trong thuật toán 1, hàm ExtractFeature được kế thừa từ công trình [4] còn hàm RCNN được thực hiện để phân đoạn ảnh dựa trên mạng R-CNN. Thuật toán 1: Xây dựng cấu trúc KD-Tree Input: Image data set COCO Output: KD-Tree Function BKDT (F, W, h, n) Begin Initialize height h, number of branches n; W = Initialize(random a set of vectors weight); Nodei.w = Wi; Segment-image = RCNN(Image I); Fi = ExtractFeature(Segment-image); KD-Tree = Initialze(Fi, W, h, n); Insert each vector Fi into KD-Tree; Return KD-Tree; End. Gọi n là số phần tử trong tập F để thực hiện xây dựng cây KD-Tree và h là chiều cao của cây. Khi xây dựng cây KD-Tree, thuật toán 1 cho phép thêm n phần tử vào cây có chiều cao là h. Cây KD-Tree là cây cân bằng nên khi thêm phần tử vào cây, mọi phần tử đều phải được duyệt từ