PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

Nguyễn Thị Định và CS. Tập 131, Số 2A, 2022 118 Bảng 4. So sánh kết quả phân lớp trên các bộ ảnh với các công trình khác Công trình Bộ dữ liệu Phương pháp Hiệu suất phân lớp Păvăloi et al. [13] COREL kNN (k = 4) 0,7990 Aslam et al. [23] COREL BoVW, Mid-level features 0,8126 CL-KDT COREL KD-Tree- SCH36 0,8389 Nhi et al. [5] Wang C-Tree and kNN 0,6894 Kumar et al. [15] Wang SVM-NPP-SURF 0,7900 CL-KDT Wang KD-Tree- SCH36 0,8101 Kumar et al. [15] CIFAR-100 CNN 0,5802 Rashid et al. [16] CIFAR-100 ESD 0,6800 CL-KDT CIFAR-100 KD-Tree- SCH36 0,7989 Dang et al. [17] Caltech101 k-NN 0,7800 Kabbai et al. [18] Caltech101 SURF-Wavelet Transform 0,7990 CL-KDT Caltech101 KD-Tree- SCH36 0,8128 Zheng et al. [19] Caltech256 Enhanced visual tree 0,6406 Li [20] Caltech256 k-NN 44,42 CL-KDT Caltech256 KD-Tree-SCH36 0,8081 5 Kết luận và hướng phát triển Trong bài báo này, chúng tôi đã tiến hành một phương pháp phân lớp hình ảnh bằng cấu trúc KD-Tree đa nhánh cân bằng. Thực nghiệm được xây dựng trên các bộ ảnh COREL, Wang, CIFAR-100, Caltech101 và Caltech256 để chứng minh tính khả thi của phương pháp được chúng tôi đề xuất. Kết quả thực nghiệm được đánh giá dựa trên độ chính xác phân lớp trên tập ảnh Testing độc lập với bộ ảnh Training; đồng so sánh với các công trình đã công bố về kết quả phân lớp ảnh bằng các kỹ thuật khác trên cùng bộ dữ liệu thực nghiệm. Độ chính xác phân lớp trung bình tương ứng với từng bộ ảnh COREL, Wang, CIFAR-100, Caltech101 và Caltech256 nhóm đặc trưng SCH36 lần lượt là 0,8389, 0,8101, 0,7989, 0,8109 và 0,8081. Kết quả này cho thấy phương

pháp đề xuất là hiệu quả và có thể áp dụng được cho các hệ phân loại ảnh thuộc các lĩnh vực khác nhau. Hướng phát triển tiếp theo là chúng tôi sẽ xây dựng một mô hình phân lớp ảnh dựa trên cấu trúc KD-Tree kết hợp với các kỹ thuật học máy k-NN, SVM và Random Forest nhằm tăng hiệu suất phân lớp hình ảnh.