PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 117 Để đạt được hiệu suất phân lớp trên các bộ ảnh thực nghiệm, một số chi phí về thời gian huấn luyện và số lần huấn luyện trên máy server có cấu hình CPU Xeon(R) Gold 6258R CPU 2,7 Ghz, ổ cứng SSD 1024 GB, RAM 16 GB, hệ điều hành Server Datacenter 2019 được trình bày trong Bảng 3. Bảng 2. Hiệu suất phân lớp ảnh dựa trên cấu trúc KD-Tree với các bộ véc-tơ Bộ dữ liệu Số ảnh kiểm thử Số phân lớp Hiệu suất phân lớp với đặc trưng SCH Hiệu suất phân lớp với đặc trưng SCH36 COREL 300 10 0,8232 0,8389 Wang 3.240 80 0,8089 0,8101 CIFAR-100 18.000 100 0,7959 0,7989 Caltech101 2.644 102 0,8109 0,8128 Caltech256 9.183 257 0,7952 0,8081 Bảng 3. Chi phí huấn luyện KD-Tree trên các bộ ảnh thực nghiệm với bộ đặc trưng SCH36 Bộ dữ liệu Số Epoch Tổng thời gian huấn luyện Số lần huấn luyện COREL 10 9:45:16 102 Wang 20 32:28:39 171 CIFAR-100 60 58:19:09 239 Caltech101 12 71:54:05 209 Caltech256 15 98:59:45 321 Để so sánh hiệu quả của phương pháp phân lớp hình ảnh tiếp cận KD-Tree với các phương pháp khác thực nghiệm trên cùng bộ ảnh, chúng tôi so sánh kết quả với các công trình khác (Bảng 4). Bảng 4 so sánh kết quả phân lớp trên mô hình đề xuất với các công trình khác trên cùng bộ dữ liệu thực nghiệm với các phương pháp khác nhau. Trong bài báo này, kết quả hiệu suất phân lớp được thực hiện so sánh nhưng không so sánh chi phí thời gian huấn luyện mô hình phân lớp vì cấu hình máy tính không đồng nhất. Đồng thời, chi phí huấn luyện mô hình phân lớp KD-Tree chỉ thực hiện một lần và sau đó được thực thi nhiều lần. Kết quả so sánh với các

công trình phân lớp ảnh trên cùng bộ dữ liệu cho thấy, phương pháp phân lớp ảnh CL-KDT bằng cấu trúc KD-Tree là hoàn toàn khả thi và hiệu quả. Có thể áp dụng phương pháp này cho bài toán phân loại đối tượng qua hình ảnh, nhận dạng mẫu và áp dụng cho bài toán tìm kiếm ảnh tương tự.