Phân Lớp Ảnh Đa Đối Tượng Bằng Phương Pháp Học Sâu
Email tác giả liên hệ:
dinhnt@huit.edu.vnDOI:
https://doi.org/10.54644/jte.2024.1538Từ khóa:
Phân lớp ảnh, Ảnh đa đối tượng, Học sâu, Nhận diện đối tượng, YOLOv8Tóm tắt
Phân lớp hình ảnh là chủ đề được nhiều nhà khoa học quan tâm để nâng cao hiệu quả nhận diện đối tượng và phân lớp hình ảnh trong lĩnh vực thị giác máy tính. Có nhiều kỹ thuật để phân lớp hình ảnh, trong đó phương pháp học sâu đã có nhiều kết quả trong bài toán nhận dạng và phân loại đối tượng qua hình ảnh. Trong bài báo này, một phương pháp đề xuất nhằm thực hiện phân lớp ảnh đa đối tượng sử dụng mạng học sâu YOLOv8. Đầu tiên mỗi ảnh đa đối tượng được phân đoạn thành các ảnh đơn đối tượng. Thứ hai, nhận diện và trích xuất véc-tơ đặc trưng. Cuối cùng hình ảnh được phân lớp bằng mạng học sâu YOLOv8. Thực nghiệm tiến hành trên bộ ảnh đa đối tượng Flickr đã cho kết quả tốt hơn một số phương pháp khác với kết quả phân lớp ảnh trung bình là 0.8872. Kết quả thực nghiệm cho thấy phương pháp đề xuất sử dụng mạng học sâu YOLOv8 cho bộ ảnh đa đối tượng là hiệu quả, có thể áp dụng được cho các tập dữ liệu hình ảnh thuộc các lĩnh vực khác nhau như nông nghiệp, giao thông và nhiều lĩnh vực khác.
Tải xuống: 0
Tài liệu tham khảo
Y. Jiang et al., "Breast cancer histopathological image classification using convolutional neural networks with small SE-ResNet module," PloS One, vol. 14, no. 3, p. e0214587, 2019. DOI: https://doi.org/10.1371/journal.pone.0214587
J. Guo and X. Wang, "Image classification based on SURF and KNN," in 2019 IEEE/ACIS 18th International Conference on Computer and Information Science (ICIS), 2019. DOI: https://doi.org/10.1109/ICIS46139.2019.8940198
M. A. Chandra and S. Bedi, "Survey on SVM and their application in image classification," International Journal of Information Technology, vol. 13, no. 5, pp. 1-11, 2021. DOI: https://doi.org/10.1007/s41870-017-0080-1
S. Li et al., "Deep learning for hyperspectral image classification: An overview," IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 9, pp. 6690-6709, 2019. DOI: https://doi.org/10.1109/TGRS.2019.2907932
P. K. Mallick et al., "Brain MRI image classification for cancer detection using deep wavelet autoencoder-based deep neural network," IEEE Access, vol. 7, pp. 46278-46287, 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2902252
M. Štancel and M. Hulič, "An introduction to image classification and object detection using YOLO detector," in CEUR Workshop Proceedings, 2019.
J. Terven, D. M. C. Esparza, and J. A. R. González, "A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS," Machine Learning and Knowledge Extraction, vol. 5, no. 4, pp. 1680-1716, 2023. DOI: https://doi.org/10.3390/make5040083
Flickr. Dataset Flickr 2017. Available from: https://www.kaggle.com/datasets/hsankesara/flickr-image-dataset.
L. Farokhah, "Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB," Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 6, pp. 1129-1135, 2020. DOI: https://doi.org/10.25126/jtiik.2020722608
F. Sadati and B. Rezaie, "An improved image classification based on feature extraction from convolutional neural network: application to flower classification," in 12th International Conference on Information and Knowledge Technology (IKT), 2021. DOI: https://doi.org/10.1109/IKT54664.2021.9685994
T. Stark et al., "YOLO object detection models can locate and classify broad groups of flower-visiting arthropods in images," Scientific Reports, vol. 13, no. 1, p. 16364, 2023. DOI: https://doi.org/10.1038/s41598-023-43482-3
N. Al Mudawi et al., "Vehicle detection and classification via YOLOv8 and deep belief network over aerial image sequences," Sustainability, vol. 15, no. 19, p. 14597, 2023. DOI: https://doi.org/10.3390/su151914597
B. Gašparović et al., "Evaluating YOLOv5, YOLOv6, YOLOv7, and YOLOv8 in underwater environment: Is there real improvement?," in 8th International Conference on Smart and Sustainable Technologies (SpliTech), 2023. DOI: https://doi.org/10.23919/SpliTech58164.2023.10193505
J. Zhang and H. Shi, "Kd-tree based efficient ensemble classification algorithm for imbalanced learning," in 2019 International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), 2019. DOI: https://doi.org/10.1109/MLBDBI48998.2019.00046
B. Selcuk and T. Serif, "A comparison of YOLOv5 and YOLOv8 in the context of mobile UI detection," in International Conference on Mobile Web and Intelligent Information Systems, 2023. DOI: https://doi.org/10.1007/978-3-031-39764-6_11
S. Alijani, J. Tanha, and L. Mohammadkhanli, "An ensemble of deep learning algorithms for popularity prediction of Flickr images," Multimedia Tools and Applications, vol. 81, no. 3, pp. 3253-3274, 2022. DOI: https://doi.org/10.1007/s11042-021-11517-4
M. Saroja and A. B. Mary, "Image Captioning Using Improved YOLO V5 Model and Xception V3 Model," 2023. DOI: https://doi.org/10.21203/rs.3.rs-2856192/v1
N. T. Dinh and T. T. Van, "Image retrieval using YOLO deep learning network and KD-Tree Random Forest structure," in Proceedings of the National Conference on Basic Research and IT Applications (FAIR22), 2022, ISBN: 978-604-357-119-6, doi: 10.15625/vap.2022.0244. DOI: https://doi.org/10.15625/vap.2022.0244
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2024 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
