Ứng dụng mạng nơ-ron sâu để nhận dạng kí hiệu quân sự từ ảnh phác thảo
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE8.2024.55-64Từ khóa:
Kí hiệu quân sự; Ảnh phác thảo; Mạng nơ -ron tích chập.Tóm tắt
Mục đích của nghiên cứu này là kiểm nghiệm hiệu quả của mạng nơ-ron sâu trong việc nhận dạng ảnh phác thảo, đặc biệt là các kí hiệu quân sự. Ảnh phác thảo mang tính trừu tượng cao và thiếu các đặc trưng điển hình của ảnh thực như màu sắc, hình nền và chi tiết môi trường xung quanh, khiến cho việc sử dụng mạng nơ-ron sâu trở thành một thách thức không nhỏ. Để giải quyết vấn đề này, chúng tôi triển khai mô hình nhận dạng ảnh phác thảo dựa trên mạng nơ-ron tích chập (CNN). Nội dung của bài báo bao gồm việc thiết kế và mô tả một mô hình CNN mới, được tối ưu hóa để nhận dạng kí hiệu từ ảnh phác thảo. Chúng tôi đã tiến hành huấn luyện mô hình này trên một tập dữ liệu tự xây dựng bởi nhóm nghiên cứu. Kết quả huấn luyện cho thấy mô hình có độ chính xác cao trong việc nhận dạng các kí hiệu quân sự từ ảnh phác thảo, khẳng định tiềm năng của mạng nơ-ron sâu trong lĩnh vực này.
Tài liệu tham khảo
[1]. N. D. Dinh, H. V. Toan, “System Design Documentation of T3BD System”, (2020).
[2]. Cục Bản đồ, “Tài liệu giới thiệu về phần mềm xây dựng văn kiện tác chiến và huấn luyện diễn tập trên nền bản đồ số”, (2017) (in Vietnamese).
[3]. D. D. Thinh, N. C. Thanh, L.V.Diep, N. D. Vuong, L. D. Ha, P. N. Hai, “A voice search engine for military symbols to enhance the drafting of operational plan documents on digital map”, Journal of Military Science and Technology, Vol. 87, pp. 40-49, (2022). DOI: https://doi.org/10.54939/1859-1043.j.mst.87.2023.40-49
[4]. Guang-Hai Liu, Jing-Yu Yang, “Content-based image retrieval using color difference histogram,” J. Pattern Recognition, Vol. 46, Issue 1, pp. 188-198, (2013). DOI: https://doi.org/10.1016/j.patcog.2012.06.001
[5]. R. Zhou, L. Chen, and L. Zhang, “Sketch-based image retrieval on a large scale database,” in Proc. 20th ACM Int. Conf. Multimedia, pp. 973–976, (2012). DOI: https://doi.org/10.1145/2393347.2396360
[6]. C. Ma, X. Yang, C. Zhang, X. Ruan, M. Yang, “Sketch retrieval via Dense stroke features,” in Proc. British Machine Vision Conference, Vol. 2, pp. 65.1–65.11, (2013). DOI: https://doi.org/10.5244/C.27.65
[7]. S.Wang, Jian Zhang, Tony X. Han, Zhenjiang Miao, “Sketch-Based Image Retrieval Through Hypothesis-Driven Object Boundary Selection With HLR Descriptor,”, IEEE Transactions on Multimedia, Vol.17, Issue 7, pp. 1045 – 1057, (2015). DOI: https://doi.org/10.1109/TMM.2015.2431492
[8]. Y. Qi et al., “Sketch-based image retrieval via Siamese convolutional neural network,” in IEEE International Conference on Image Processing, pp. 2460-2464, (2016).
[9]. Z. Zhang, Y. Zhang, R. Feng, T. Zhang and W.Fan, “Zero-Shot Sketch-based image retrieval via graph Convolution Network,” in Proc. of the AAAI Conference on Artificial Intelligence, Vol. 34 (07), pp.12943-12950, (2020). DOI: https://doi.org/10.1609/aaai.v34i07.6993
[10]. N. Kumar, R. Ahmed, Venkatesh H, V. Mayya and S. Kamath S, “Sketch-based image retrieval using Convolutional Neural Networks based on Feature Adaptation and Relevance Feedback,” in book: Advanced Techniques for IoT Applications, Proceedings of EAIT, pp.103-113, (2020). DOI: https://doi.org/10.1007/978-981-16-4435-1_12
[11]. K. O’Shea and R. Nash, “An Introduction to Convolutional Neural Network”, arXiv preprint arXiv: 1511.08458, (2015).
[12]. N. Wang, Z.Qin, L.Yan H. Zhuang, X.Wang, M.l Bendersk, M. Najork, "Rank4Class: A Ranking Formulation for Multiclass Classification", arXiv preprint arXiv: 2112.09727v1 92021, (2021).
[13]. I. J. Goodfellow, Y. Bengio and A. Courville, "Deep Learning", MIT Press, (2016).
[14]. G. Mahitha G, T. Nikshepa, K.P. Spoorthy, "Effective Method for Leukocytes Classification and Segmentation in Blood Smear Images", International Advanced Research Journal in Science, Engineering and Technology, Vol. 4, Special Issue 8, (2017).
