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

Đào Xuân Bảo và CS. Tập 131, Số 2A, 2022 60 nút gốc đến nút lá. Vì vậy, chi phí để xây dựng cây KD-Tree chiều cao h có n phần tử là O(n × h). Vì h là hằng số, nên độ phức tạp của thuật toán 1 là O(n). Sau khi xây dựng cấu trúc KD-Tree gồm một nút gốc (Root) và các nút trong (Nodei) lưu trữ tập vector trọng số, các nút lá (Leaf) lưu trữ tập vector hình ảnh có độ tương tự gần nhau nhất. Cấu trúc KD-Tree được minh họa trên Hình 3. Hình 3. Minh họa cấu trúc KD-Tree 4.2 Huấn luyện cấu trúc KD-Tree Ban đầu cấu trúc KD-Tree được xây dựng với bộ vector trọng số lưu trữ tại các nút trong là ngẫu nhiên nên hiệu suất phân bổ ảnh tương tự tại nút lá chưa cao. Vì vậy, cần phải điều chỉnh vector tại các nút trong của KD-Tree để quá trình chèn vector đặc trưng hình ảnh vào KD-Tree sao cho nút lá chứa các hình ảnh cùng một phân lớp là nhiều nhất. Thuật toán 2 kế thừa các hàm SetLabel2Leaf và UpdateWeight từ công trình [4, 9]. Quá trình huấn luyện vector trọng số được thực hiện liên tiếp theo các tập Epochi dữ liệu và được trình bày như sau: Thuật toán 2: Huấn luyện trọng số trên KD-Tree Input: Set of initialized weights, Epochi Output: Set of training weights Function TKDT (InitW eight, Epochi) Begin Weight = InitWeight(); repeat