[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20lo%E1%BA%A1i%20%C4%91%E1%BB%91i%20t%C6%B0%E1%BB%A3ng{\"limit\":5}":3,"_public_topic_byId_phân loại đối tượng":207},{"code":4,"data":5,"meta":15},"SUCCESS",{"latest":6,"mostCited":76,"vietnamFeatured":144,"vietnamLatest":192},[7,22,35,47,62],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":14,"journalName":15,"vietnamJournal":16,"publishDate":17,"publishYear":18,"totalCitation":15,"url":19,"doi":20,"summary":21},"72f421b1-0608-442a-ba1e-25ff09faa8f9","Phương pháp xử lý ảnh thời gian thực nhằm phát hiện và phân loại đối tượng trên ảnh viễn thám","Real-time image processing method to implement object detection and classification for remote sensing images",[12,13],"Joshua Bapu J","D. Jemi Florinabel",2,null,false,"2020-07-14",2020,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12145-020-00486-1","10.1007\u002Fs12145-020-00486-1","\u003Cp>Đề xuất phương pháp xử lý ảnh thời gian thực (\u003Ci>real-time image processing\u003C\u002Fi>) nhằm nâng cao hiệu năng phát hiện và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> (\u003Ci>object detection and classification\u003C\u002Fi>) trên ảnh viễn thám (\u003Ci>remote sensing images\u003C\u002Fi>). Quy trình trích xuất đặc trưng tăng cường giúp bảo toàn cấu trúc mục tiêu và cải thiện độ chính xác phân loại.\u003C\u002Fp>",{"publicationId":23,"title":24,"originalTitle":25,"authorNames":26,"authorCount":14,"journalName":29,"vietnamJournal":16,"publishDate":30,"publishYear":31,"totalCitation":15,"url":32,"doi":33,"summary":34},"d53fe930-f89b-4df3-92e4-33154dfddfe5","Phân tích đặc trưng dựa trên đối tượng cho dữ liệu siêu phổ sử dụng thuật toán đom đóm","Object-based feature extraction for hyperspectral data using firefly algorithm",[27,28],"Hamid Reza Shahdoosti","Zahra Tabatabaei","International Journal of Machine Learning and Cybernetics","2019-11-23",2019,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13042-019-01038-w","10.1007\u002Fs13042-019-01038-w","\u003Cp>Phát triển phương pháp trích xuất đặc trưng dựa trên lý thuyết thông tin phục vụ \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> trong ảnh siêu phổ (\u003Ci>hyperspectral\u003C\u002Fi>). Kỹ thuật kết hợp thuật toán đom đóm (\u003Ci>firefly algorithm\u003C\u002Fi>) để tối ưu hóa bản đồ phân đoạn và giảm thiểu sai số Bayes đối với các phân phối dữ liệu phi Gauss.\u003C\u002Fp>",{"publicationId":36,"title":37,"originalTitle":38,"authorNames":39,"authorCount":14,"journalName":15,"vietnamJournal":16,"publishDate":42,"publishYear":43,"totalCitation":15,"url":44,"doi":45,"summary":46},"dc324827-8bd8-4c71-92c3-88e54de91d1b","Phát hiện Đối Tượng Hình Ảnh Sử Dụng Chuỗi Phân Loại Nhị Phân và Một Lớp","Visual Object Detection Using Cascades of Binary and One-Class Classifiers",[40,41],"Hakan Cevikalp","Bill Triggs","2017-01-11",2017,"http:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11263-016-0986-2","10.1007\u002Fs11263-016-0986-2","\u003Cp>Thiết kế cấu trúc chuỗi phân loại một lớp (\u003Ci>one-class classifier\u003C\u002Fi>) không đối xứng nhằm tăng tốc độ phát hiện và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> trong mô hình cửa sổ trượt. Kiến trúc giúp loại bỏ nhanh các vùng mẫu âm tính, duy trì độ chính xác cao trên các tập dữ liệu chuẩn \u003Ci>FDDB\u003C\u002Fi>, \u003Ci>INRIA Person\u003C\u002Fi> và \u003Ci>PASCAL VOC 2007\u003C\u002Fi>.\u003C\u002Fp>",{"publicationId":48,"title":49,"originalTitle":50,"authorNames":51,"authorCount":55,"journalName":56,"vietnamJournal":16,"publishDate":57,"publishYear":58,"totalCitation":15,"url":59,"doi":60,"summary":61},"0d5fb028-5c7d-4ef3-a0a7-673f55b8ef8f","Bản đồ hóa nước mặt toàn cầu bằng cảm biến từ xa độ phân giải cao","High-resolution remote sensing mapping of global land water",[52,53,54],"AnPing Liao","LiJun Chen","Jun Chen",9,"Science China Earth Sciences","2014-06-25",2014,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11430-014-4918-0","10.1007\u002Fs11430-014-4918-0","\u003Cp>Xây dựng bản đồ nước mặt toàn cầu độ phân giải 30 m thông qua kết hợp phân loại điểm ảnh và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> (\u003Ci>object-based classification\u003C\u002Fi>). Phương pháp tích hợp tri thức hình học và đặc trưng phổ trên ảnh Landsat TM và HJ-1, đạt độ chính xác phân loại tổng thể 96% trên tập dữ liệu \u003Ci>Global Land 30-water\u003C\u002Fi>.\u003C\u002Fp>",{"publicationId":63,"title":64,"originalTitle":65,"authorNames":66,"authorCount":70,"journalName":15,"vietnamJournal":16,"publishDate":71,"publishYear":72,"totalCitation":15,"url":73,"doi":74,"summary":75},"72da16d4-c909-4f60-8995-13734d6b7346","Phân loại đối tượng và hành động với các tham số cửa sổ ẩn","Object and Action Classification with Latent Window Parameters",[67,68,69],"Hakan Bilen","Vinay P. Namboodiri","Luc J. Van Gool",3,"2013-08-03",2013,"http:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11263-013-0646-8","10.1007\u002Fs11263-013-0646-8","\u003Cp>Phát triển khung phân loại kết hợp phát hiện hành động và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> sử dụng tham số cửa sổ tiềm ẩn (\u003Ci>latent window parameters\u003C\u002Fi>). Mô hình tự động tối ưu hóa hộp bao quanh vật thể và tích hợp thông tin phụ trợ chưa quan sát, cải thiện hiệu suất nhận dạng trên video và ảnh tĩnh.\u003C\u002Fp>",[77,91,104,117,131],{"publicationId":78,"title":79,"originalTitle":80,"authorNames":81,"authorCount":85,"journalName":86,"vietnamJournal":16,"publishDate":15,"publishYear":15,"totalCitation":87,"url":88,"doi":89,"summary":90},"dfe7449b-a6b9-4cdc-a9f5-23cdf02bd7c2","Bộ chuẩn ISPRS về phân loại đối tượng đô thị và tái tạo tòa nhà 3D","THE ISPRS BENCHMARK ON URBAN OBJECT CLASSIFICATION AND 3D BUILDING RECONSTRUCTION",[82,83,84],"Franz Rottensteiner","Gunho Sohn","Jaewook Jung",7,"ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences",385,"https:\u002F\u002Fisprs-annals.copernicus.org\u002Farticles\u002FI-3\u002F293\u002F2012\u002F","10.5194\u002Fisprsannals-i-3-293-2012","\u003Cp>Công bố kết quả đánh giá bộ dữ liệu chuẩn \u003Ci>ISPRS\u003C\u002Fi> phục vụ nhiệm vụ \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> đô thị và tái tạo mô hình công trình 3D từ cảm biến hàng không. Bài báo phân tích so sánh hiệu năng các giải pháp trích xuất tòa nhà và cây xanh từ dữ liệu ảnh quang học và máy quét laser.\u003C\u002Fp>",{"publicationId":92,"title":93,"originalTitle":94,"authorNames":95,"authorCount":14,"journalName":15,"vietnamJournal":16,"publishDate":98,"publishYear":99,"totalCitation":100,"url":101,"doi":102,"summary":103},"05774bda-cbc9-43e6-8008-763b21b661e3","Tính tương đối ngôn ngữ trong tiếng Nhật và tiếng Anh: Ngôn ngữ có phải là yếu tố quyết định chính trong phân loại đối tượng?","Linguistic Relativity in Japanese and English: Is Language the Primary Determinant in Object Classification?",[96,97],"Reiko Mazuka","Ronald S. Friedman","2000-10-01",2000,69,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1023\u002FA:1008356620617","10.1023\u002FA:1008356620617","\u003Cp>Khảo sát giả thuyết tính tương đối ngôn ngữ trong hành vi \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> ở người nói tiếng Anh và tiếng Nhật. Kết quả thực nghiệm chỉ ra rằng người tham gia từ cả hai nhóm ngôn ngữ đều ưu tiên phân loại vật thể dựa trên hình dạng hơn là thành phần vật liệu.\u003C\u002Fp>",{"publicationId":105,"title":106,"originalTitle":107,"authorNames":108,"authorCount":70,"journalName":15,"vietnamJournal":16,"publishDate":112,"publishYear":113,"totalCitation":15,"url":114,"doi":115,"summary":116},"50ee73d7-e42d-46d8-9fc1-c4fd30846247","Nâng cao hiệu quả lập bản đồ lớp phủ tuyết bằng phương pháp phân loại đối tượng và chỉ số tuyết chênh lệch chuẩn hóa (NDSI)","Enhanced snow cover mapping using object-based classification and normalized difference snow index (NDSI)",[109,110,111],"Sudhanshu Raghubanshi","Ritesh Agrawal","Bhanu Prakash Rathore","2023-08-15",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12145-023-01077-6","10.1007\u002Fs12145-023-01077-6","\u003Cp>Nâng cao độ chính xác lập bản đồ tuyết phủ (\u003Ci>snow cover mapping\u003C\u002Fi>) khu vực \u003Ci>Himalayan\u003C\u002Fi> bằng phương pháp \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> kết hợp chỉ số tuyết chuẩn hóa \u003Ci>NDSI\u003C\u002Fi>. Cách tiếp cận dựa trên đối tượng giúp phân biệt rõ ràng giữa mây và tuyết phủ thực tế, hỗ trợ phân tích tương tác thủy văn và biến đổi khí hậu.\u003C\u002Fp>",{"publicationId":118,"title":119,"originalTitle":120,"authorNames":121,"authorCount":125,"journalName":15,"vietnamJournal":16,"publishDate":126,"publishYear":127,"totalCitation":15,"url":128,"doi":129,"summary":130},"1045950a-41f3-4110-8422-a9e3b082c619","Đánh giá hiệu năng của các mô hình phân loại đối tượng trên dữ liệu không ảnh tầm thấp","On the performance evaluation of object classification models in low altitude aerial data",[122,123,124],"Payal Mittal","Akashdeep Sharma","Raman Singh",4,"2022-04-05",2022,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11227-022-04469-5","10.1007\u002Fs11227-022-04469-5","\u003Cp>Đánh giá so sánh hiệu năng các thuật toán học máy và mạng nơ-ron sâu trong bài toán \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> trên dữ liệu ảnh tầm thấp từ thiết bị bay \u003Ci>UAV\u003C\u002Fi>. Kết quả thực nghiệm cho thấy các mô hình học sâu tiền huấn luyện \u003Ci>VGG16\u003C\u002Fi> và \u003Ci>VGG19\u003C\u002Fi> đạt độ chính xác vượt trội xấp xỉ 100%.\u003C\u002Fp>",{"publicationId":132,"title":133,"originalTitle":134,"authorNames":135,"authorCount":70,"journalName":139,"vietnamJournal":16,"publishDate":140,"publishYear":127,"totalCitation":15,"url":141,"doi":142,"summary":143},"00a4f761-be2b-481a-b18b-c26115538d3c","Phân loại ảnh siêu phổ dựa trên đối tượng sử dụng mô hình khối ẩn mới dựa trên trường ngẫu nhiên Markov ẩn","Object-based hyperspectral image classification using a new latent block model based on hidden Markov random fields",[136,137,138],"Hamideh Sadat Fatemighomi","Mousa Golalizadeh","Meisam Amani","Pattern Analysis and Applications","2022-02-09","https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs10044-021-01050-3","10.1007\u002Fs10044-021-01050-3","\u003Cp>Đề xuất thuật toán phân cụm \u003Ci>LBMHMRF\u003C\u002Fi> kết hợp máy học \u003Ci>SVM\u003C\u002Fi> cho quy trình \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> trên dữ liệu ảnh siêu phổ. Phương pháp tích hợp trường ngẫu nhiên Markov ẩn vào mô hình khối tiềm ẩn, nâng độ chính xác phân loại lớp phủ sử dụng đất lên 96,4% và tiết kiệm chi phí tính toán.\u003C\u002Fp>",[145,156,168,178,185],{"publicationId":146,"title":147,"originalTitle":15,"authorNames":15,"authorCount":15,"journalName":148,"vietnamJournal":149,"publishDate":150,"publishYear":151,"totalCitation":152,"url":153,"doi":154,"summary":155},"4a663efe-b9bc-40b8-8d68-2b7386ba1b96","Nghiên cứu phương pháp phân loại hướng đối tượng trên tư liệu ảnh máy bay không người lái","Tạp chí Khoa học Đo đạc và Bản đồ",true,"2018-03-01",2018,1,"https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F265","10.54491\u002Fjgac.2018.35.265","\u003Cp>Nghiên cứu ứng dụng phần mềm \u003Ci>eCognition 9.0\u003C\u002Fi> trong \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> trên ảnh máy bay không người lái (\u003Ci>UAV\u003C\u002Fi>) độ phân giải 40 cm. Phương pháp khai thác tối đa đặc trưng hình dạng và cấu trúc vật thể, khắc phục hiệu quả hiện tượng nhiễu phổ của phương pháp phân loại pixel truyền thống.\u003C\u002Fp>",{"publicationId":157,"title":158,"originalTitle":15,"authorNames":159,"authorCount":125,"journalName":148,"vietnamJournal":149,"publishDate":163,"publishYear":127,"totalCitation":164,"url":165,"doi":166,"summary":167},"5d20f875-72bb-4705-9713-116717752264","Nâng cao độ chính xác phân loại ảnh viễn thám bằng phương pháp kết hợp phân loại dựa trên đối tượng và phân loại dựa trên điểm ảnh",[160,161,162],"Vũ Thị Tuyết","Tạ Hoàng Trung","Nông Thị Oanh","2022-09-25",0,"https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F655","10.54491\u002Fjgac.2022.53.655","\u003Cp>Đánh giá hiệu quả kết hợp giữa phương pháp phân loại điểm ảnh và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> (\u003Ci>object-based\u003C\u002Fi>) trên ảnh viễn thám độ phân giải 10 m. Giải pháp tích hợp giúp khắc phục hạn chế của từng cách tiếp cận đơn lẻ, cải thiện 20% độ chính xác phân loại tổng thể lớp phủ mặt đất.\u003C\u002Fp>",{"publicationId":169,"title":170,"originalTitle":15,"authorNames":171,"authorCount":14,"journalName":148,"vietnamJournal":149,"publishDate":174,"publishYear":18,"totalCitation":164,"url":175,"doi":176,"summary":177},"3b018fa3-652d-4339-bdd1-65b6004286ee","Mẫu nhận dạng và phân loại đối tượng địa lý bằng hình ảnh",[172,173],"Nguyễn Thị Bích Ngọc","Lê Thị Thu Giang","2020-03-01","https:\u002F\u002Fwww.jgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F368","10.54491\u002Fjgac.2020.43.368","\u003Cp>Thiết lập tiêu chuẩn mẫu nhận dạng phục vụ \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> địa lý từ dữ liệu đo ảnh hàng không. Hệ thống mẫu khóa giải đoán hỗ trợ trích xuất chính xác các lớp dữ liệu giao thông và thủy văn, hoàn thiện cơ sở dữ liệu nền địa lý quốc gia 1:10.000.\u003C\u002Fp>",{"publicationId":179,"title":180,"originalTitle":15,"authorNames":15,"authorCount":15,"journalName":148,"vietnamJournal":149,"publishDate":181,"publishYear":151,"totalCitation":164,"url":182,"doi":183,"summary":184},"6c52e9d7-0408-47fd-b502-bcbead51e63a","Ứng dụng kỹ thuật phân loại hướng đối tượng trong phân loại lớp phủ vùng cửa sông Ba Lạt","2018-12-01","https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F287","10.54491\u002Fjgac.2018.38.287","\u003Cp>Nghiên cứu kỹ thuật phân loại hướng đối tượng nhằm phân định 8 nhóm lớp phủ tại vùng cửa sông Ba Lạt từ dữ liệu vệ tinh \u003Ci>Landsat 5TM\u003C\u002Fi>. Quy trình gồm ba bước phân mảnh, lấy mẫu và kiểm định giúp bản đồ đạt độ chính xác \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> tổng thể 92,24% cùng hệ số chỉ số \u003Ci>Kappa\u003C\u002Fi> đạt 0,88.\u003C\u002Fp>",{"publicationId":186,"title":187,"originalTitle":15,"authorNames":15,"authorCount":15,"journalName":148,"vietnamJournal":149,"publishDate":188,"publishYear":58,"totalCitation":164,"url":189,"doi":190,"summary":191},"eebaead0-c5b6-4021-af7e-1153b85b8f86","Phân loại lớp phủ bằng phương pháp tiếp cận hướng đối tượng trên ảnh SPOT lưu vực Suối Muội, Thuận Châu, Sơn La","2014-06-01","https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F105","10.54491\u002Fjgac.2014.20.105","\u003Cp>Kiểm chứng độ chính xác của tiếp cận hướng đối tượng trong \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> lớp phủ lưu vực Suối Muội (Sơn La) trên ảnh vệ tinh \u003Ci>SPOT5\u003C\u002Fi> độ phân giải 2,5 m. Kết quả phân loại địa hình miền núi phức tạp đạt độ chính xác tổng thể 87,5% và hệ số kiểm định \u003Ci>Kappa\u003C\u002Fi> đạt mức 0,85.\u003C\u002Fp>",[193,198],{"publicationId":194,"title":170,"originalTitle":15,"authorNames":195,"authorCount":14,"journalName":148,"vietnamJournal":149,"publishDate":174,"publishYear":18,"totalCitation":15,"url":196,"doi":176,"summary":197},"77c0220f-87f5-4581-b383-0aa5f07dff0a",[172,173],"https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F368","\u003Cp>Xây dựng bộ mẫu ảnh phục vụ nhận dạng và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> địa lý trên ảnh hàng không tỷ lệ 1:10.000. Nghiên cứu chuẩn hóa quy trình thu nhận thông tin thủy văn, giao thông và lớp phủ bề mặt nhằm bảo đảm tính đồng bộ cho cơ sở dữ liệu nền địa lý quốc gia.\u003C\u002Fp>",{"publicationId":199,"title":200,"originalTitle":15,"authorNames":201,"authorCount":152,"journalName":148,"vietnamJournal":149,"publishDate":203,"publishYear":72,"totalCitation":164,"url":204,"doi":205,"summary":206},"d336821b-60d8-4a1c-8250-6483515fe136","Nghiên cứu phương pháp phân loại mờ tiếp cận đối tượng chiết tách thông tin sử dụng đất khu vực Đông Anh - Hà Nội",[202],"Trịnh Thị Hoài Thu","2013-06-01","https:\u002F\u002Fjgac.vn\u002Fjournal\u002Farticle\u002Fview\u002F71","10.54491\u002Fjgac.2013.16.71","\u003Cp>Vận dụng phương pháp phân loại mờ tiếp cận đối tượng để chiết tách thông tin sử dụng đất và \u003Cb class=\"publication-topic-keywords\">phân loại đối tượng\u003C\u002Fb> khu vực ven đô Đông Anh (Hà Nội). Kỹ thuật phân tích tổng hợp các thuộc tính phổ, hình dạng và quan hệ không gian, giúp phân định chính xác các mảng lớp phủ phân tán và manh mún.\u003C\u002Fp>",{"code":4,"data":208,"meta":15},{"id":209,"title":210,"description":211,"content":212,"term":209,"englishTitle":213,"synonyms":214,"definition":217,"discipline":218,"references":219,"faqs":228,"createUser":238,"publishUser":242,"keywords":246,"keywordCount":257,"enrichTopicLink":149,"status":258,"createTime":259,"updateTime":260,"publishTime":261,"linkEnrichedTime":262,"publicationScanTime":263,"contentErrorMessage":15,"viewCount":264,"relateTopics":265},"phân loại đối tượng","Phân loại đối tượng là gì? Các bài báo nghiên cứu khoa học","Phân loại đối tượng là quá trình phân chia các đối tượng vào các nhóm dựa trên các đặc điểm chung, giúp sắp xếp và hệ thống hóa thông tin. Quá trình này đóng vai trò quan trọng trong nghiên cứu khoa học, công nghệ, sinh học, y học và nhiều lĩnh vực khác, giúp tạo ra các mô hình phân tích và dự đoán hiệu quả. ","\u003Cp>Phân loại đối tượng là một quá trình quan trọng trong nhiều lĩnh vực nghiên cứu và ứng dụng thực tiễn. Nó bao gồm việc chia các đối tượng, sự vật, hay hiện tượng vào các nhóm, lớp dựa trên những đặc điểm, tính chất chung mà các đối tượng đó sở hữu. Phân loại đối tượng không chỉ giúp hệ thống hóa thông tin mà còn tạo ra những mối liên hệ rõ ràng giữa các đối tượng khác nhau trong một hệ thống, từ đó làm cơ sở cho việc phân tích và ra quyết định.\u003C\u002Fp>\u003Ch2>Giới thiệu về phân loại đối tượng\u003C\u002Fh2>\n\n\u003Cp>Chẳng hạn, trong sinh học, phân loại giúp xác định mối quan hệ giữa các loài, từ đó giúp các nhà khoa học nghiên cứu tiến hóa, phát triển thuốc, hay bảo vệ môi trường. Trong các lĩnh vực khác như {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20m%C3%A1y%20t%C3%ADnh%22%7D}}, phân loại đối tượng còn đóng vai trò quan trọng trong việc nhận dạng, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} lớn và {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20m%C3%A1y%22%7D}}. Qua đó, ta có thể xây dựng những hệ thống phân loại thông minh và hiệu quả hơn trong mọi hoạt động.\u003C\u002Fp>\n\n\u003Cp>Phân loại đối tượng có thể được thực hiện thông qua nhiều phương pháp khác nhau, từ các phương pháp truyền thống đến các kỹ thuật hiện đại như học máy (machine learning). Việc lựa chọn phương pháp phân loại phù hợp phụ thuộc vào tính chất của đối tượng và mục đích nghiên cứu hoặc ứng dụng cụ thể.\u003C\u002Fp>\n\n\u003Ch2>Ý nghĩa của phân loại đối tượng trong nghiên cứu khoa học\u003C\u002Fh2>\n\u003Cp>Trong nghiên cứu khoa học, phân loại đối tượng không chỉ là một công cụ hỗ trợ sắp xếp thông tin mà còn giúp các nhà khoa học hình dung và làm rõ các mối quan hệ giữa các đối tượng khác nhau. Khi phân loại chính xác, các đối tượng sẽ được chia vào các nhóm hợp lý, tạo điều kiện thuận lợi cho việc nghiên cứu và phân tích sâu hơn về các đặc điểm chung và sự khác biệt của chúng.\u003C\u002Fp>\n\n\u003Cp>Ví dụ, trong sinh học, việc phân loại các sinh vật vào các nhóm như loài, giống, bộ, ngành giúp các nhà khoa học dễ dàng nghiên cứu sự tiến hóa và sự phân bố của các loài sinh vật. Mỗi nhóm sinh vật sẽ có những {{topic|%7B%22topic%22%3A%22%C4%91%E1%BA%B7c%20%C4%91i%E1%BB%83m%20di%20truy%E1%BB%81n%22%7D}} và sinh lý đặc trưng, từ đó cung cấp những hiểu biết quan trọng về các {{topic|%7B%22topic%22%3A%22qu%C3%A1%20tr%C3%ACnh%20sinh%20h%E1%BB%8Dc%22%7D}}. Hơn nữa, phân loại còn giúp các nhà nghiên cứu xác định được các yếu tố ảnh hưởng đến sự sống còn và sự phát triển của các loài sinh vật trong tự nhiên.\u003C\u002Fp>\n\n\u003Cp>Trong khoa học máy tính, phân loại đối tượng còn có vai trò quan trọng trong việc xây dựng các hệ thống nhận dạng, đặc biệt là trong các ứng dụng như nhận dạng hình ảnh, nhận diện giọng nói và phân tích dữ liệu. Các mô hình học máy như phân loại ảnh hay phân loại văn bản giúp các hệ thống tự động phân loại dữ liệu và đưa ra những kết luận chính xác, hỗ trợ trong việc ra quyết định nhanh chóng và hiệu quả.\u003C\u002Fp>\n\n\u003Ch2>Các phương pháp phân loại đối tượng\u003C\u002Fh2>\n\u003Cp>Phân loại đối tượng có thể được thực hiện bằng nhiều phương pháp khác nhau, mỗi phương pháp sẽ phù hợp với từng loại đối tượng và mục đích nghiên cứu cụ thể. Dưới đây là một số phương pháp phân loại phổ biến:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>Phân loại dựa trên đặc điểm hình thái:\u003C\u002Fstrong> Phương pháp này sử dụng các đặc điểm về hình dáng và cấu trúc bên ngoài của đối tượng để phân loại chúng. Ví dụ, trong sinh học, các loài động vật có thể được phân loại dựa trên các đặc điểm hình thái như số lượng chi, kiểu dáng cơ thể, hình dạng đầu, v.v.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại dựa trên đặc điểm di truyền:\u003C\u002Fstrong> Phương pháp này sử dụng thông tin di truyền từ các mẫu DNA để phân loại các đối tượng. Đây là phương pháp chính trong sinh học phân tử, giúp xác định mối quan hệ giữa các loài sinh vật dựa trên sự tương đồng về gene và các đặc điểm di truyền khác.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại theo phương pháp học máy:\u003C\u002Fstrong> Trong học máy, phân loại được thực hiện bằng cách sử dụng các thuật toán như cây quyết định, SVM, hay k-nearest neighbors (KNN). Những thuật toán này dựa trên dữ liệu huấn luyện để xây dựng các mô hình phân loại, sau đó sử dụng các mô hình này để phân loại các đối tượng mới.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại theo lý thuyết cây quyết định:\u003C\u002Fstrong> Cây quyết định là một phương pháp phân loại trong đó các đối tượng được phân loại theo các quyết định (các nút) được đưa ra dựa trên các đặc điểm của đối tượng. Phương pháp này rất hiệu quả trong việc phân loại các dữ liệu có cấu trúc rõ ràng và dễ hiểu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Mỗi phương pháp có những ưu điểm và hạn chế riêng. Việc lựa chọn phương pháp phù hợp sẽ giúp đạt được kết quả phân loại chính xác và hiệu quả hơn, đặc biệt là trong các ứng dụng khoa học và công nghệ hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Phân loại đối tượng trong học máy (Machine Learning)\u003C\u002Fh2>\n\u003Cp>Trong học máy, phân loại đối tượng là một trong những bài toán cơ bản và quan trọng. Các thuật toán phân loại học máy giúp xây dựng các mô hình tự động phân loại các đối tượng vào các nhóm khác nhau dựa trên các đặc điểm của chúng. Những thuật toán này có thể được áp dụng trong nhiều lĩnh vực khác nhau như nhận diện hình ảnh, nhận dạng giọng nói, và phân tích văn bản.\u003C\u002Fp>\n\n\u003Cp>Phân loại học máy có thể chia thành hai loại chính là phân loại nhị phân và phân loại đa lớp:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Phân loại nhị phân:\u003C\u002Fstrong> Đây là loại phân loại có hai nhóm, ví dụ như phân loại email thành \"spam\" và \"không spam\", hoặc phân loại hình ảnh thành \"mặt người\" và \"không phải mặt người\".\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại đa lớp:\u003C\u002Fstrong> Đây là loại phân loại có nhiều nhóm, ví dụ như phân loại các loại hoa thành các nhóm khác nhau dựa trên các đặc điểm như màu sắc, hình dạng và kích thước.\u003C\u002Fli>\n\u003C\u002Ful>\u003Cp>\u003C\u002Fp>\n\n\u003Cp>Các thuật toán học máy phổ biến trong phân loại đối tượng bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>K-Nearest Neighbors (KNN):\u003C\u002Fstrong> Thuật toán này phân loại đối tượng dựa trên sự tương đồng với các đối tượng lân cận trong không gian đặc trưng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Support Vector Machines (SVM):\u003C\u002Fstrong> Đây là một phương pháp phân loại mạnh mẽ giúp tìm ra siêu phẳng tối ưu để phân chia các nhóm đối tượng khác nhau.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Random Forest:\u003C\u002Fstrong> Là một tập hợp các cây quyết định, giúp cải thiện độ chính xác của việc phân loại đối tượng.\u003C\u002Fli>\n\u003C\u002Ful>\u003Cp>\u003C\u002Fp>\n\n\u003Cp>Ứng dụng của phân loại trong học máy rất đa dạng, từ việc phân tích cảm xúc trong văn bản cho đến việc phân loại hình ảnh trong các ứng dụng nhận dạng khuôn mặt, giúp tăng cường khả năng tự động hóa và tối ưu hóa trong nhiều hệ thống thông minh.\u003C\u002Fp>\n\u003Ch2>Ứng dụng của phân loại đối tượng\u003C\u002Fh2>\n\u003Cp>Phân loại đối tượng có ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Trong mỗi lĩnh vực, phân loại giúp sắp xếp và phân tích các đối tượng một cách có hệ thống, qua đó hỗ trợ việc ra quyết định và giải quyết các vấn đề phức tạp. Dưới đây là một số ứng dụng phổ biến của phân loại đối tượng:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>Sinh học:\u003C\u002Fstrong> Phân loại sinh vật là một ứng dụng quan trọng của phân loại đối tượng. Việc phân loại các loài sinh vật giúp các nhà khoa học xác định mối quan hệ tiến hóa, nghiên cứu các hệ sinh thái, và thực hiện bảo tồn các loài động thực vật. Các hệ thống phân loại sinh học như hệ thống Linnaeus đã giúp xác định các cấp độ phân loại như loài, giống, họ, bộ, và ngành, từ đó hiểu rõ hơn về sự phát triển và phân bố của các sinh vật trên Trái Đất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khoa học máy tính:\u003C\u002Fstrong> Trong khoa học máy tính, phân loại đối tượng giúp xây dựng các mô hình nhận diện và phân tích dữ liệu. Một trong những ứng dụng quan trọng là nhận dạng hình ảnh, ví dụ như nhận diện khuôn mặt trong các hệ thống bảo mật. Các thuật toán phân loại ảnh có thể phân biệt các đối tượng trong hình ảnh, từ đó giúp nhận diện người, động vật, hoặc vật thể. Hệ thống nhận dạng chữ viết tay và phân loại văn bản cũng sử dụng các phương pháp phân loại học máy để tự động xác định chủ đề của các tài liệu hoặc phân loại chúng theo các nhóm chủ đề khác nhau.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Y học:\u003C\u002Fstrong> Trong lĩnh vực y học, phân loại đối tượng đóng vai trò quan trọng trong việc chẩn đoán bệnh lý. Các thuật toán phân loại giúp phân loại các triệu chứng hoặc kết quả xét nghiệm, từ đó hỗ trợ bác sĩ trong việc chẩn đoán các bệnh lý. Ví dụ, hệ thống phân loại có thể giúp phân biệt giữa các loại ung thư dựa trên các đặc điểm di truyền hoặc {{topic|%7B%22topic%22%3A%22h%C3%ACnh%20%E1%BA%A3nh%20y%20t%E1%BA%BF%22%7D}}. Hơn nữa, phân loại đối tượng còn được sử dụng trong việc phát hiện và dự đoán các bệnh tiềm ẩn dựa trên dữ liệu bệnh nhân.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thương mại điện tử:\u003C\u002Fstrong> Phân loại đối tượng cũng có ứng dụng trong ngành {{topic|%7B%22topic%22%3A%22th%C6%B0%C6%A1ng%20m%E1%BA%A1i%20%C4%91i%E1%BB%87n%20t%E1%BB%AD%22%7D}}, đặc biệt là trong việc phân loại sản phẩm và người dùng. Các hệ thống phân loại sản phẩm giúp người dùng tìm kiếm sản phẩm nhanh chóng và dễ dàng hơn. Hệ thống phân loại người dùng giúp dự đoán sở thích và nhu cầu mua sắm của khách hàng, từ đó đưa ra các gợi ý sản phẩm phù hợp. Các thuật toán phân loại còn có thể phân tích hành vi người dùng, giúp tối ưu hóa các chiến dịch marketing và nâng cao trải nghiệm người dùng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phân loại đối tượng trong sinh học\u003C\u002Fh2>\n\u003Cp>Trong sinh học, phân loại đối tượng là một quá trình vô cùng quan trọng để phân chia các sinh vật vào các nhóm dựa trên các đặc điểm chung. Quá trình phân loại này giúp các nhà khoa học không chỉ nhận diện được các loài sinh vật mà còn hiểu được mối quan hệ tiến hóa giữa các loài.\u003C\u002Fp>\n\n\u003Cp>Các sinh vật trong tự nhiên được phân loại vào các nhóm lớn như vương quốc, ngành, lớp, bộ, giống, loài. Mỗi cấp độ phân loại sẽ có những đặc điểm chung và sự khác biệt so với các nhóm khác. Ví dụ, trong nhóm động vật, tất cả các loài động vật có xương sống đều thuộc ngành Chordata, trong khi các loài động vật không có xương sống sẽ thuộc các ngành khác nhau như Arthropoda (côn trùng) hoặc Mollusca (động vật thân mềm).\u003C\u002Fp>\n\n\u003Cp>Việc phân loại sinh vật dựa trên các đặc điểm di truyền và {{topic|%7B%22topic%22%3A%22h%C3%ACnh%20th%C3%A1i%20h%E1%BB%8Dc%22%7D}} là yếu tố quyết định để phân biệt và hiểu rõ mối quan hệ giữa các loài. Các công nghệ phân tích gene, chẳng hạn như PCR (Polymerase Chain Reaction), giúp xác định cấu trúc gene của các loài và hỗ trợ việc phân loại chính xác hơn, đặc biệt là trong trường hợp những loài có đặc điểm hình thái rất giống nhau.\u003C\u002Fp>\n\n\u003Ch2>Các tiêu chí phân loại đối tượng\u003C\u002Fh2>\n\u003Cp>Các tiêu chí phân loại đối tượng là yếu tố quan trọng trong việc xác định nhóm hoặc lớp mà một đối tượng thuộc về. Tùy thuộc vào lĩnh vực nghiên cứu và mục đích phân loại, các tiêu chí này có thể khác nhau. Dưới đây là những tiêu chí phổ biến dùng trong phân loại đối tượng:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>Đặc điểm hình thái:\u003C\u002Fstrong> Đây là tiêu chí dựa vào hình dáng, cấu trúc, hoặc các đặc điểm vật lý bên ngoài của đối tượng. Ví dụ, trong phân loại động vật, các đặc điểm như số lượng chi, cấu trúc cơ thể, hình dạng đầu, hay lớp vảy được sử dụng để phân loại các loài động vật.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đặc điểm chức năng:\u003C\u002Fstrong> Phân loại dựa trên chức năng của các bộ phận hoặc hành vi của đối tượng. Ví dụ, trong thực vật, các loài có thể được phân loại theo cách thức chúng hấp thụ và sử dụng ánh sáng mặt trời, hoặc theo phương thức thụ phấn của chúng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đặc điểm di truyền:\u003C\u002Fstrong> Đây là một trong những tiêu chí chính trong phân loại đối tượng hiện nay, đặc biệt là trong sinh học phân tử. Việc phân loại dựa trên sự tương đồng hoặc khác biệt về gene giúp xác định mối quan hệ di truyền giữa các loài và xây dựng các cây tiến hóa.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đặc điểm sinh thái:\u003C\u002Fstrong> Phân loại dựa trên các yếu tố sinh thái như {{topic|%7B%22topic%22%3A%22m%C3%B4i%20tr%C6%B0%E1%BB%9Dng%20s%E1%BB%91ng%22%7D}}, thói quen ăn uống, hay tương tác giữa các loài trong hệ sinh thái. Ví dụ, các loài động vật có thể được phân loại theo môi trường sống như động vật sống trên cạn, dưới nước, hoặc trong không khí.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phân loại đối tượng trong ngữ nghĩa học\u003C\u002Fh2>\n\u003Cp>Trong ngữ nghĩa học, phân loại đối tượng không chỉ áp dụng cho các thực thể vật lý mà còn cho các thực thể ngữ nghĩa. Cụ thể, phân loại đối tượng trong ngữ nghĩa học liên quan đến việc phân chia các khái niệm, sự vật, hay hành động thành các nhóm khác nhau dựa trên vai trò ngữ pháp và mối quan hệ của chúng trong câu.\u003C\u002Fp>\n\n\u003Cp>Ví dụ, trong một câu như \"Con mèo đang ngủ trên ghế\", \"con mèo\" có thể được phân loại là \"đối tượng sống\" (living entity) trong khi \"ghế\" được phân loại là \"vật thể\" (inanimate object). Việc phân loại này giúp hiểu rõ hơn về mối quan hệ ngữ nghĩa giữa các đối tượng và giúp xử lý ngữ nghĩa trong các hệ thống {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20ng%C3%B4n%20ng%E1%BB%AF%20t%E1%BB%B1%20nhi%C3%AAn%22%7D}} (NLP).\u003C\u002Fp>\n\n\u003Ch2>Thách thức trong phân loại đối tượng\u003C\u002Fh2>\n\u003Cp>Mặc dù phân loại đối tượng mang lại nhiều lợi ích, quá trình này cũng đối mặt với một số thách thức, đặc biệt là khi các đối tượng có đặc điểm phức tạp hoặc không rõ ràng. Một trong những thách thức chính là:\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\u003Cstrong>Đặc điểm chồng chéo:\u003C\u002Fstrong> Các đối tượng có thể có nhiều đặc điểm chung với các nhóm khác nhau, gây khó khăn trong việc phân loại chính xác. Ví dụ, một loài động vật có thể sở hữu những đặc điểm của nhiều nhóm khác nhau, khiến cho việc xác định nhóm phân loại của nó trở nên phức tạp.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sự thay đổi theo thời gian:\u003C\u002Fstrong> Các đối tượng có thể thay đổi theo thời gian, dẫn đến việc phân loại không còn chính xác. Ví dụ, một loài động vật có thể thay đổi các đặc điểm di truyền hoặc hình thái theo các yếu tố môi trường.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ chính xác:\u003C\u002Fstrong> Đặc biệt trong học máy, việc phân loại sai có thể gây ra các hậu quả nghiêm trọng, đặc biệt trong các ứng dụng như nhận dạng khuôn mặt hay chẩn đoán y khoa.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Kết luận\u003C\u002Fh2>\n\u003Cp>Phân loại đối tượng là một công cụ mạnh mẽ và thiết yếu trong nhiều lĩnh vực nghiên cứu và ứng dụng. Việc hiểu rõ và áp dụng các phương pháp phân loại giúp tối ưu hóa các hệ thống phân tích và ra quyết định, đồng thời cung cấp những cái nhìn sâu sắc về các đối tượng trong thế giới xung quanh chúng ta. Dù vậy, quá trình phân loại vẫn gặp phải một số thách thức, và việc chọn phương pháp phân loại phù hợp là yếu tố quan trọng để đạt được kết quả chính xác và hiệu quả.\u003C\u002Fp>","object classification",[215,216],"phân loại ảnh","nhận dạng đối tượng","Phân loại đối tượng (object classification) là tác vụ thị giác máy tính và học máy nhằm gán một hoặc nhiều nhãn danh mục xác định cho các đối tượng xuất hiện trong dữ liệu hình ảnh, video hoặc tín hiệu số.","ENGINEERING_TECHNOLOGY",[220],{"citationText":221,"title":222,"authors":223,"source":224,"year":225,"doi":226,"url":227},"He, K., et al. (2016). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.","Deep residual learning for image recognition","He","IEEE CVPR",2016,"10.1109\u002FCVPR.2016.90","https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2016.90",[229,232,235],{"question":230,"answer":231},"Phân loại đối tượng khác gì so với phát hiện đối tượng (Object Detection)?","Phân loại đối tượng chỉ xác định nhãn danh mục của đối tượng trong ảnh, trong khi phát hiện đối tượng đồng thời xác định nhãn và định vị vị trí của từng đối tượng qua hộp bao (bounding box).",{"question":233,"answer":234},"Kiến trúc mạng nơ-ron tích chập (CNN) nào là bước ngoặt trong phân loại ảnh?","Mạng AlexNet (năm 2012), VGG, ResNet (với liên kết tắt residual connections giải quyết vanishing gradient) và gần đây là Vision Transformer (ViT).",{"question":236,"answer":237},"Các độ đo đánh giá hiệu năng mô hình phân loại đối tượng gồm những gì?","Top-1 Accuracy, Top-5 Accuracy, Precision, Recall, F1-Score và ma trận nhầm lẫn (Confusion Matrix).",{"id":239,"researcherId":15,"name":240,"imageUrl":241},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":243,"researcherId":15,"name":244,"imageUrl":245},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[247,248,249,250,251,252,253,254,255,256],"khoa học máy tính","phân tích dữ liệu","học máy","đặc điểm di truyền","quá trình sinh học","hình ảnh y tế","thương mại điện tử","hình thái học","môi trường sống","xử lý ngôn ngữ tự nhiên",10,"PUBLISHED","2025-08-06T09:40:27.805+00:00","2026-09-02T05:05:02.991+00:00","2025-08-06T16:44:54.192+00:00","2026-09-02T05:05:02.384+00:00","2026-09-02T05:00:44.400+00:00",700,[266,269,272,275,278,281,284,287,290,293],{"id":267,"title":268,"term":267,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":270,"title":271,"term":270,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":273,"title":274,"term":273,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":276,"title":277,"term":276,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":279,"title":280,"term":279,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":282,"title":283,"term":282,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":285,"title":286,"term":285,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"scopus","Scopus là gì? Các bài báo nghiên cứu khoa học về Scopus",{"id":288,"title":289,"term":288,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":291,"title":292,"term":291,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":294,"title":295,"term":294,"englishTitle":15,"definition":15,"discipline":15,"disciplineCode":15,"disciplineLabel":15,"disciplineColor":15,"disciplineIcon":15},"vị từ","Vị từ là gì? Các nghiên cứu khoa học về Vị từ"]