PHÂN LỚP HÌNH ẢNH DỰA TRÊN CẤU TRÚC KD-TREE

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 111 véc-tơ phân lớp tốt nhất (Fmax) trên từng bộ ảnh thực nghiệm. Quá trình huấn luyện bằng cách chia nhỏ bộ dữ liệu giúp giảm chi phí thời gian huấn luyện so với việc huấn luyện từ nguyên bộ dữ liệu ban đầu. Mô hình phân lớp dựa trên cấu trúc KD-Tree được huấn luyện theo từng bộ dữ liệu (Epochi) diễn ra song song với quá trình tạo cây. Véc-tơ phân lớp wi = (xi1, xi2, …, xin) tại Nodei được huấn luyện theo đạo hàm ngược hướng Gradient nhằm giảm sai số trung bình dựa trên hàm truyền Sigmoid. Thuật toán huấn luyện véc-tơ phân lớp trên KD-Tree được trình bày như sau: Thuật toán 2. Thuật toán huấn luyện tập véc-tơ phân lớp trên KD-Tree (TVKDT) Input: Bộ Véc-tơ khởi tạo InitWeight Output: Bộ Véc-tơ huấn luyện; Function TVKDT (InitWeight, Epochi) Begin Vector = InitVector; Repeat (1) Tạo KD-Tree theo Epochi với bộ Vector khởi tạo, chiều cao h, n nhánh; (2) Gán nhãn cho các nút lá trên KD-Tree; (3) Pi = Tính hiệu suất phân lớp trên KD-Tree với bộ Vector khởi tạo; (4) Xác định đường đi sai của những vector fk trên KD-Tree; (5) Xác định đường đi đúng của những vector fk bị sai đường đi; (6) Tìm vị trí Nodei làm sai đường đi của vectơ fk; (7) TrainVector = Điều chỉnh vector lưu tại Nodei để fk đúng đường đi; (8) Tạo lại KD-Tree theo bộ vector đã điều chỉnh; (9) Gán nhãn cho các nút lá trên KD-Tree vừa mới tạo; (10) Pj = Tính hiệu suất phân lớp sau khi điều chỉnh vector tại Nodei; Until (Pj < Pi); Vector = TrainVector; Return Vector; End.