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 61 BKDT(Epochi, InitW eight, h, n); SetLabel2Leaf (KD-Tree, ListLabels); Pi = SumofV ectorRightLabel()/SumofV ectorinEpochi (); Road (f.wrong) = LeafWrong.Road; Road (f.right) = LeafRight.Road; Get(Nodew)inRoadf,w; NewW eight = UpdateWeight(Nodew, Roadf,w); BKDT (Epochi, NewW eight, h, n); SetLabel2Leaf (KD-Tree, ListLabels); Pj = SumofV ectorRightLabel()/SumofV ectorinEboli(); until (Pj < Pi); Weight = NewWeight; foreach (SubTree) do F = Find(fj in SubTree); WeightSub = TKDT (InitWeight, SubTree.F); endForeach Weight = NewWeight ∪ WeightSub; Return Weight; End. Gọi p là số lần điều chỉnh véc-tơ trọng số; h là chiều cao cây; m là số phần tử tham gia vào quá trình xây dựng cây theo từng Epochi. Quá trình huấn luyện cấu trúc KD-Tree được thực hiện thông qua việc cập nhật trọng số để tạo cây và gán nhãn tại nút lá. Vì vậy, chi phí để thực hiện thực hiện thuật toán 2 là (p × h × m). Vì p, h là các hằng số nhỏ nên độ phức tạp của thực hiện thuật toán 2 là O(m). 5 Mô hình tìm kiếm ảnh dựa trên R-CNN và KD-Tree 5.1 Mô hình đề xuất Trên cơ sở kết hợp mạng R-CNN và cấu trúc KD-Tree để áp dụng cho bài toán tìm kiếm ảnh đa đối tượng, chúng tôi đề xuất mô hình tìm kiếm ảnh (Hình 4). Mô hình tìm kiếm ảnh đa đối tượng dựa trên mạng R-CNN và cấu trúc KD-Tree gồm hai pha: Pha tiền xửa lý và pha truy vấn với các bước như sau: