PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

Nguyễn Thị Định và CS. Tập 131, Số 2A, 2022 104 CIFAR-100, Caltech101, and Clatech256 with two groups of features: SCH and SCH36 and compared with other works with the same data set to demonstrate the feasibility of the proposed method. The results show that our method is effective and can be applied to image classification systems in different fields. At the same time, this is a new approach to the KD- Tree structure, applied to the image classification problem with higher performance than other methods with the same set of images. Keywords: image classification, classification model, classification performance, KD-Tree 1 Giới thiệu Phân lớp hình ảnh là một chủ đề quan trọng trong lĩnh vực thị giác máy tính và thu hút sự quan tâm của các nhóm nghiên cứu trong thời gian qua. Một mô hình phân lớp có thể được xây dựng bằng các thuật toán: rừng ngẫu nhiên, cây quyết định, mạng học sâu và nhiều kỹ thuật khác. Bài toán phân loại đối tượng bằng hình ảnh được ứng dụng trong nhiều lĩnh vực như nhận dạng mẫu, phân loại bệnh nhân, dự đoán thị trường chứng khoán và ứng dụng trong nhiều lĩnh vực khác. Ngày nay, sự đa dạng của ảnh số làm cho quá trình nhận dạng đối tượng qua hình ảnh gặp nhiều khó khăn, đặc biệt là các bộ ảnh đa đối tượng [1, 2]. Vì vậy, nâng cao hiệu suất cho mô hình phân loại đối tượng bằng hình ảnh là cần thiết. Trong bài báo này, chúng tôi đánh giá mô hình phân loại đối tượng bằng hình ảnh qua các giai đoạn: xây dựng, huấn luyện mô hình, kiểm thử và chọn tham số để kết quả phân loại từ mô hình đạt hiệu quả cao.

Mô hình phân lớp ảnh được xây dựng dựa trên một tập dữ liệu gán nhãn gọi là tập huấn luyện. Nhiệm vụ của bài toán phân lớp là cần tìm một mô hình phân lớp để khi có dữ liệu mới thì có thể xác định được dữ liệu đó thuộc vào phân lớp nào [3, 18, 19]. Hiện nay, có nhiều bài toán phân lớp dữ liệu, như phân lớp nhị phân (binary classification) và phân lớp đa lớp (multiclass classification), được thực hiện với nhiều kỹ thuật khác nhau như k-NN (k-Nearest Neighbors) [5, 14, 20], SVM (Support Vector Machines) [15], CNN (Convolutional Neural Networks) [15] và DNN (Deep Neural Networks) [16]. Trong bài báo này, một phương pháp phân lớp đối tượng bằng hình ảnh dựa trên cấu trúc KD-Tree được xây dựng để hình thành các phân lớp tại nút lá. Quá trình phân lớp này được thực hiện tại mỗi tầng trên cây KD-Tree để hình thành tập véc-tơ phân lớp từ nút gốc đến nút trong thuộc tầng sát nút lá. Tập véc-tơ phân lớp này được điều chỉnh thông qua quá trình huấn luyện trọng số để tìm ra tập giá trị tốt nhất cho mô hình phân lớp dựa trên KD- Tree. Đóng góp bài báo gồm: (1) Mô tả quá trình phân lớp ảnh bằng cấu trúc KD-Tree; (2) Xây dựng thuật toán phân lớp hình ảnh dựa trên cấu trúc KD-Tree; (3) Huấn luyện bộ véc-tơ phân lớp; (4) Đề xuất mô hình phân lớp ảnh số dựa trên cấu trúc KD-Tree; (5) Đánh giá mô hình bằng