Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 106,740,632

  ĐỘ CHÍNH XÁC NHẬN DẠNG TRONG MÔ HÌNH FASTER R-CNN KHI CÓ NHIỄU
Tác giả hoặc Nhóm tác giả: ThS. Nguyễn Văn Nam, TS. Ngô Đình Thanh
Nơi đăng: TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG; Số: VOL. 17, NO. 11, 2019;Từ->đến trang: Trang 6-10;Năm: 2019
Lĩnh vực: Khoa học công nghệ; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Thuật toán Faster R-CNN được đánh giá là mô hình nhận dạng khá tốt về độ chính xác phát hiện và tốc độ phát hiện. Đã có nhiều nghiên cứu đánh giá về độ chính xác mô hình này với các mô hình nhận dạng khác. Tuy nhiên, các kết quả đó hầu hết được thực hiện với ảnh đưa vào nhận dạng không bị nhiễu. Nghiên cứu này để đánh giá về độ chính xác nhận dạng của mô hình ở trạng thái bình thường và nhiễu. Để thực hiện việc này, tác giả đã huấn luyện cho mô hình nhận dạng 10 loài hoa và sau đó cho nhận dạng với 4 trạng thái khác nhau: Ảnh có ánh sáng tốt; ảnh bị che khuất 1/3; 1/2; ảnh thiếu ánh sáng. Phân tích phương sai ANOVA (Analysis of variance) và trắc nghiệm sự khác biệt nhỏ nhất LSD (Least Significant Difference) bằng phần mềm SPSS 20.0 để đánh giá độ chính xác nhận dạng trong 4 trạng thái. Kết quả cho thấy, độ chính xác của thuật toán phụ thuộc rất nhiều vào mức độ nhiễu; độ chính xác nhận dạng đạt 99,28%, 78,46%, 40,36% và 62,38% tương ứng với 4 trạng thái ở trên.
ABSTRACT
The Faster R-CNN algorithm is currently among the state-of-the-art in term of its speed and detection accuracy. However, most research on the accuracy of this algorithm is about noiseless images. This study, hence, conducts an accuracy assessment of the algorithm with both noisy and noiseless images. To this end, the algorithm is trained to classify ten flower species. Experiments are then implemented on images in four cases; images with non being in shadow, with ratio of 1/3, 1/2 of partially being in shadow and with totally being in shadow. Performance of the algorithm, via SPSS 2.0 software, is then analysed based on analysis of variance (ANOVA) and least significant difference (LSD). Experimental results show that the algorithm accuracy depends heavily on noise level. Detection accuracy achieves 99,28%, 78,46%, 40,36%, and 62,38% in cases of non being in shadow, 1/3, 1/2 of partially being in shadow, and totally being in shadow, respectively.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn