Phân lớp ảnh là gì? Các công bố khoa học về Phân lớp ảnh
Phân lớp ảnh là lĩnh vực quan trọng trong xử lý ảnh và thị giác máy tính, nhằm gán nhãn cho từng vùng hay điểm ảnh. Sử dụng học máy hoặc học sâu, phân lớp đạt độ chính xác cao với các ứng dụng vượt trội trong y tế, giao thông, và phân tích hình ảnh vệ tinh. Phương pháp phân loại bao gồm phân lớp thủ công, tự động với học máy và phân lớp dựa trên mạng nơ-ron sâu. Dù tiến bộ, phân lớp ảnh đối mặt với thách thức về chất lượng dữ liệu và tài nguyên tính toán. Tiềm năng của phân lớp ảnh ngày càng mở rộng với sự phát triển công nghệ.
Phân Lớp Ảnh: Tổng Quan và Ứng Dụng
Phân lớp ảnh là một lĩnh vực quan trọng trong xử lý ảnh và thị giác máy tính, với mục đích gán nhãn cho từng vùng hay từng điểm ảnh trên một bức ảnh. Kỹ thuật này có nhiều ứng dụng quan trọng trong các ngành công nghiệp khác nhau, từ y tế, giao thông, đến an ninh và nhiều lĩnh vực khác.
Khái Niệm Phân Lớp Ảnh
Phân lớp ảnh liên quan đến việc sử dụng các thuật toán để phân chia hình ảnh thành các nhóm dựa trên các đặc điểm khác nhau. Thông thường, các thuật toán này sử dụng học máy hoặc học sâu để đạt được độ chính xác cao. Phân lớp ảnh có thể là phân lớp nhị phân, nơi một ảnh được gán cho một trong hai nhãn, hoặc phân lớp đa lớp với nhiều nhãn hơn.
Các Phương Pháp Phân Lớp Ảnh
Phân Lớp Thủ Công
Đây là phương pháp truyền thống, trong đó chuyên gia con người phân tích và phân lớp hình ảnh dựa trên kinh nghiệm và kiến thức cá nhân. Phương pháp này thường tốn nhiều thời gian và không đạt được độ chính xác cao khi xử lý một lượng lớn dữ liệu.
Phân Lớp Tự Động sử dụng Máy Học
Các mô hình học máy như SVM (Support Vector Machines), k-NN (k-Nearest Neighbors), và Random Forest được sử dụng rộng rãi. Những mô hình này yêu cầu một lượng dữ liệu huấn luyện đại diện để hoạt động hiệu quả.
Phân Lớp Dựa Trên Mạng Nơ-ron Sâu
Với sự phát triển của trí tuệ nhân tạo, mạng nơ-ron sâu đã trở thành phương pháp phổ biến cho phân lớp ảnh. Các kiến trúc như CNN (Convolutional Neural Networks) có khả năng tự động trích xuất các đặc điểm của hình ảnh và phân loại chúng với độ chính xác cao.
Ứng Dụng của Phân Lớp Ảnh
Y Tế
Trong y tế, phân lớp ảnh có thể ứng dụng để phát hiện các khối u trong quét MRI hoặc CT, giúp chẩn đoán sớm và chính xác hơn.
Giao Thông và An Toàn
Phân lớp ảnh được sử dụng trong các hệ thống giám sát giao thông để nhận diện và phân loại các phương tiện. Điều này giúp cải thiện sự quản lý giao thông và nâng cao an toàn giao thông.
Phân Tích Hình Ảnh Vệ Tinh
Trong ngành địa chính, công nghệ này được ứng dụng để phân tích dữ liệu hình ảnh vệ tinh, giúp theo dõi biến đổi môi trường và quản lý sử dụng đất.
Thách Thức Trong Phân Lớp Ảnh
Mặc dù có nhiều tiến bộ, phân lớp ảnh vẫn đối mặt với nhiều thách thức. Chất lượng và biến đổi của dữ liệu đầu vào, cũng như yêu cầu tài nguyên tính toán lớn từ các mô hình nơ-ron sâu, là những thách thức đáng kể. Ngoài ra, sự cần thiết của dữ liệu huấn luyện lớn và chú thích chính xác là một rào cản khác đối với việc phát triển và triển khai các giải pháp phân lớp ảnh.
Kết Luận
Phân lớp ảnh đóng vai trò quan trọng trong việc hỗ trợ các ứng dụng thực tiễn trong nhiều lĩnh vực khác nhau. Với sự tiến bộ của các công nghệ học sâu, hiệu quả và độ chính xác của phân lớp ảnh liên tục được cải thiện, mở ra nhiều cơ hội mới cho nghiên cứu và ứng dụng trong tương lai.
Danh sách công bố khoa học về chủ đề "phân lớp ảnh":
Định lượng Triglycerides trong Huyết thanh bằng Sử dụng Enzymes Tóm tắt
Chúng tôi mô tả một phương pháp mới để xác định triglycerides trong huyết thanh, trong đó quá trình thuỷ phân enzyme thay thế cho quy trình xà phòng hóa thường được sử dụng. Trong điều kiện thí nghiệm, sự thủy phân enzyme có thể hoàn thành trong chưa đầy 10 phút nhờ tác động kết hợp của lipase vi khuẩn và protease. Chúng tôi đã chứng minh sự thủy phân hoàn toàn của triglycerides bằng phương pháp sắc kí lớp mỏng của các sản phẩm phản ứng, bằng cách thu hồi glycerol từ huyết thanh có hàm lượng triglycerides đã biết, và bằng cách so sánh các thử nghiệm triglycerides trên một số huyết thanh được phân tích bằng phương pháp của chúng tôi với quy trình AutoAnalyzer. Quá trình thủy phân được kết hợp trực tiếp với việc xác định enzyme của glycerol, và được theo dõi thông qua sự thay đổi hấp thụ ở bước sóng 340 nm. Thử nghiệm này đơn giản, nhanh chóng và chỉ cần 50 µl hoặc ít hơn mẫu vật. Vì các enzyme được sử dụng không giải phóng glycerol từ các hợp chất khác trong huyết thanh, sự thủy phân có thể được coi là đặc hiệu cho triglycerides.
Clinical Chemistry - Tập 19 Số 5 - Trang 476-482 - 1973
#triglycerides #thủy phân enzyme #lipase vi khuẩn #protease #xác định lượng #huyết thanh #sắc kí lớp mỏng #định lượng enzyme
Phát Triển Bộ Dữ Liệu Lượng Mưa Hàng Ngày Lưới Mới Độ Phân Giải Cao (0.25° × 0.25°) cho Giai Đoạn Dài (1901-2010) ở Ấn Độ và So Sánh với Các Bộ Dữ Liệu Tồn Tại Trong Khu Vực TÓM TẮT. Nghiên cứu trình bày sự phát triển của bộ dữ liệu lượng mưa lưới theo ngày mới (IMD4) với độ phân giải không gian cao (0.25° × 0.25°, vĩ độ × kinh độ) bao phủ một khoảng thời gian dài 110 năm (1901-2010) trên đất liền chính của Ấn Độ. Nghiên cứu cũng đã so sánh IMD4 với 4 bộ dữ liệu lượng mưa lưới theo ngày khác với các độ phân giải không gian và thời gian khác nhau. Để chuẩn bị dữ liệu lưới mới, các ghi nhận lượng mưa hàng ngày từ 6955 trạm đo mưa ở Ấn Độ đã được sử dụng, đây là số lượng trạm cao nhất được sử dụng cho tới nay trong các nghiên cứu như vậy. Bộ dữ liệu lưới này được phát triển sau khi thực hiện kiểm soát chất lượng các trạm đo mưa cơ bản. So sánh IMD4 với các bộ dữ liệu khác cho thấy rằng các đặc điểm khí hậu và biến đổi của lượng mưa trên Ấn Độ được suy ra từ IMD4 có thể so sánh với dữ liệu lượng mưa lưới theo ngày hiện có. Ngoài ra, phân bố lượng mưa không gian như các khu vực mưa lớn ở các vùng địa hình của bờ biển phía tây và khu vực đông bắc, lượng mưa thấp ở phía tây Ghats, v.v... được thể hiện thực tế hơn và tốt hơn trong IMD4 nhờ độ phân giải không gian cao hơn và mật độ trạm đo mưa cao hơn được sử dụng để phát triển nó.
Mausam - Tập 65 Số 1 - Trang 1-18
#Lượng mưa #Dữ liệu lưới #Độ phân giải cao #Phân bố không gian #Ấn Độ #IMD4 #Khí hậu #Biến đổi khí hậu.
Tiến Bộ và Triển Vọng của Hình Ảnh FDG-PET trong Quản Lý Bệnh Nhân Ung Thư và Phát Triển Dược Phẩm Ung Thư Tóm tắt Chụp phát xạ positron 2-[18F]Fluoro-2-deoxyglucose (FDG-PET) đánh giá một thuộc tính cơ bản của sự rối loạn tăng sinh, hiệu ứng Warburg. Kỹ thuật hình ảnh phân tử này cung cấp một cách tiếp cận bổ sung cho hình ảnh giải phẫu vốn nhạy cảm và đặc hiệu hơn trong một số bệnh ung thư. FDG-PET đã được áp dụng rộng rãi trong lĩnh vực ung thư chủ yếu như một công cụ xác định giai đoạn và giai đoạn lại có thể chỉ dẫn chăm sóc bệnh nhân. Tuy nhiên, bởi vì nó phát hiện chính xác bệnh tái phát hoặc còn sót, FDG-PET cũng có tiềm năng lớn trong việc đánh giá phản ứng điều trị. Theo hướng này, nó có thể cải thiện quản lý bệnh nhân bằng cách xác định những người có đáp ứng sớm, trước khi kích thước khối u giảm; những người không đáp ứng có thể ngưng liệu pháp vô ích. Hơn nữa, sự giảm tín hiệu FDG-PET trong vài ngày hoặc vài tuần sau khi bắt đầu liệu pháp (ví dụ, trong ung thư hạch, ung thư phổi không tế bào nhỏ, và ung thư thực quản) có mối tương quan rõ ràng với sự sống kéo dài và các mục tiêu lâm sàng khác hiện được sử dụng trong việc phê duyệt thuốc. Những phát hiện này gợi ý rằng FDG-PET có thể tạo điều kiện cho phát triển thuốc như một chỉ số thay thế sớm của lợi ích lâm sàng. Bài viết này tổng quan cơ sở khoa học nền tảng của FDG-PET và sự phát triển và ứng dụng của nó như một công cụ hình ảnh học ung thư có giá trị. Khả năng của nó để tạo điều kiện cho phát triển thuốc được đề cập trong bảy bối cảnh ung thư (phổi, u lympho, vú, tuyến tiền liệt, sarcoma, trực tràng, và buồng trứng). Những khuyến nghị bao gồm xác thực ban đầu so với các liệu pháp đã được phê duyệt, phân tích hồi cứu để xác định mức độ thay đổi chỉ ra đáp ứng, xác thực bổ sung theo hướng tới lợi ích lâm sàng, và ứng dụng như một điểm kết thúc thử nghiệm giai đoạn II/III để tăng tốc đánh giá và phê duyệt các phác đồ và liệu pháp mới.
Clinical Cancer Research - Tập 11 Số 8 - Trang 2785-2808 - 2005
#FDG-PET #ung thư #hiệu ứng Warburg #chụp ảnh phân tử #đáp ứng điều trị #quản lý bệnh nhân #phát triển dược phẩm #hình ảnh học ung thư
Phân loại lớp phủ đất bằng Google Earth Engine và Bộ phân loại rừng ngẫu nhiên—Vai trò của việc hợp thành hình ảnh Thông tin về lớp phủ đất đóng vai trò quan trọng trong nhiều khía cạnh của cuộc sống, từ khoa học và kinh tế đến chính trị. Thông tin chính xác về lớp phủ đất ảnh hưởng đến độ chính xác của tất cả các ứng dụng tiếp theo, do đó thông tin lớp phủ đất chính xác và kịp thời đang rất được yêu cầu. Trong các nghiên cứu phân loại lớp phủ đất trong thập kỷ qua, độ chính xác cao hơn được tạo ra khi sử dụng chuỗi thời gian hình ảnh vệ tinh so với khi sử dụng hình ảnh đơn lẻ. Gần đây, sự sẵn có của Google Earth Engine (GEE), một nền tảng điện toán dựa trên đám mây, đã thu hút sự chú ý của các ứng dụng dựa trên quan sát viễn thám nơi các phương pháp tổng hợp thời gian từ chuỗi thời gian hình ảnh được áp dụng rộng rãi (tức là, sử dụng các chỉ số như trung bình hoặc trung vị), thay vì chuỗi thời gian hình ảnh. Trong GEE, nhiều nghiên cứu đơn giản lựa chọn càng nhiều hình ảnh càng tốt để lấp đầy khoảng trống mà không quan tâm đến việc hình ảnh của các năm/mùa khác nhau có thể ảnh hưởng như thế nào đến độ chính xác của phân loại. Nghiên cứu này nhằm phân tích ảnh hưởng của các phương pháp hợp thành khác nhau, cũng như các hình ảnh đầu vào khác nhau, đối với kết quả phân loại. Chúng tôi sử dụng dữ liệu phản xạ bề mặt Landsat 8 (L8sr) với tám chiến lược kết hợp khác nhau để tạo ra và đánh giá bản đồ lớp phủ đất cho một khu vực nghiên cứu ở Mông Cổ. Chúng tôi thực hiện thí nghiệm trên nền tảng GEE với một thuật toán được áp dụng rộng rãi, bộ phân loại rừng ngẫu nhiên (RF). Kết quả của chúng tôi cho thấy tất cả tám dữ liệu đều tạo ra các bản đồ lớp phủ đất với độ chính xác từ trung bình đến rất cao, với độ chính xác tổng thể trên 84,31%. Trong số tám dữ liệu này, hai dữ liệu chuỗi thời gian của cảnh mùa hè (hình ảnh từ 1 tháng 6 đến 30 tháng 9) tạo ra độ chính xác cao nhất (89,80% và 89,70%), tiếp theo là hợp thành trung vị của cùng các hình ảnh đầu vào (88,74%). Sự khác biệt giữa ba phân loại này không đáng kể dựa trên kiểm định McNemar (p > 0,05). Tuy nhiên, sự khác biệt có ý nghĩa (p < 0,05) được quan sát thấy đối với tất cả các cặp khác liên quan đến một trong ba dữ liệu này. Kết quả chỉ ra rằng tổng hợp thời gian (ví dụ, trung vị) là một phương pháp hứa hẹn, không chỉ giảm đáng kể khối lượng dữ liệu (dẫn đến phân tích dễ dàng và nhanh chóng hơn) mà còn tạo ra độ chính xác cao tương đương với chuỗi thời gian dữ liệu. Sự nhất quán về không gian giữa các kết quả phân loại tương đối thấp so với độ chính xác cao nói chung, cho thấy rằng việc lựa chọn tập dữ liệu được sử dụng trong bất kỳ phân loại nào trên GEE là một bước quan trọng và cần thiết, bởi vì các hình ảnh đầu vào cho việc hợp thành đóng vai trò thiết yếu trong phân loại lớp phủ đất, đặc biệt khi ở các khu vực có tuyết, mây và rộng lớn như Mông Cổ.
Remote Sensing - Tập 12 Số 15 - Trang 2411
#Lớp phủ đất #Chuỗi thời gian #Hợp thành trung vị #Google Earth Engine #Bộ phân loại rừng ngẫu nhiên.
Hiệu Quả Đạt Được của Trường Tiểu Học Không Phân Lớp: Một Tổng Hợp Chứng Cứ Tốt Nhất Một chương trình tiểu học không phân lớp là chương trình trong đó trẻ em được nhóm một cách linh hoạt theo mức độ hiệu suất, không dựa trên độ tuổi, và tiến bộ qua trường tiểu học theo tốc độ của riêng mình. Phổ biến vào những năm 1950, 1960, và đầu những năm 1970, kế hoạch không phân lớp đang quay trở lại ngày nay. Bài báo này xem xét lại nghiên cứu về những ảnh hưởng đối với thành tựu của tổ chức không phân lớp. Kết quả chỉ ra ảnh hưởng tích cực một cách nhất quán đối với thành tựu từ các dạng đơn giản của không phân lớp được phát triển sớm, chẳng hạn như nhóm chéo lớp cho một môn học (ES trung bình = + .46) và nhóm chéo lớp cho nhiều môn học (ES trung bình = + .34). Các dạng không phân lớp sử dụng cá nhân hóa rộng rãi ít thành công hơn (ES trung bình = + .02). Các nghiên cứu về Giáo Dục Hướng Dẫn Cá Nhân (IGE), sử dụng không phân lớp và cá nhân hóa, cũng có kết quả không nhất quán (ES trung bình = + .11). Bài báo kết luận rằng tổ chức không phân lớp có thể có tác động tích cực đến thành tích của học sinh nếu sử dụng nhóm chéo độ tuổi để cho phép giáo viên cung cấp hướng dẫn trực tiếp hơn cho học sinh, nhưng không phải nếu nó được sử dụng như một khuôn khổ cho việc giảng dạy cá nhân hóa.
Review of Educational Research - Tập 62 Số 4 - Trang 333-376 - 1992
#trường tiểu học không phân lớp #nhóm chéo lớp #cá nhân hóa #hướng dẫn trực tiếp #thành tích học sinh
Bản đồ Sử dụng Đất đai và Lớp phủ Đất dựa trên Hình ảnh Vệ tinh Sentinel-2, Landsat-8 và Google Earth Engine: So sánh hai phương pháp ghép hỗn hợp Bản đồ sử dụng đất đai và lớp phủ đất (LULC) chính xác và thời gian thực rất quan trọng để cung cấp thông tin chính xác cho việc giám sát động, quy hoạch và quản lý Trái Đất. Với sự ra đời của các nền tảng điện toán đám mây, các kỹ thuật trích xuất đặc tính theo chuỗi thời gian và các bộ phân loại học máy, đang xuất hiện những cơ hội mới trong việc lập bản đồ LULC chính xác và quy mô lớn hơn. Trong nghiên cứu này, chúng tôi nhằm tìm hiểu cách hai phương pháp ghép hỗn hợp và các chỉ số quang phổ–thời gian được trích xuất từ chuỗi thời gian vệ tinh có thể ảnh hưởng đến khả năng của một bộ phân loại học máy trong việc tạo ra bản đồ LULC chính xác. Chúng tôi đã sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) để tạo ra chuỗi thời gian Sentinel-2 (S-2) và Landsat-8 (L-8) không có mây trên tỉnh Tehran (Iran) tính đến năm 2020. Hai phương pháp ghép hỗn hợp, cụ thể là hỗn hợp theo mùa và chỉ số phần trăm, đã được sử dụng để định nghĩa bốn tập dữ liệu dựa trên chuỗi thời gian vệ tinh, chỉ số thảm thực vật và các lớp địa hình. Bộ phân loại rừng ngẫu nhiên đã được sử dụng trong phân loại LULC và để xác định các biến quan trọng nhất. Kết quả đánh giá độ chính xác cho thấy rằng S-2 vượt trội hơn so với các chỉ số quang phổ–thời gian của L-8 ở cấp độ tổng thể và cấp lớp. Hơn nữa, sự so sánh giữa các phương pháp ghép hỗn hợp chỉ ra rằng hỗn hợp theo mùa vượt trội hơn chỉ số phần trăm trong cả chuỗi thời gian S-2 và L-8. Ở cấp lớp, hiệu suất cải thiện của hỗn hợp theo mùa liên quan đến khả năng của chúng cung cấp thông tin tốt hơn về sự biến đổi thời kỳ sinh thái của các lớp LULC khác nhau. Cuối cùng, chúng tôi kết luận rằng phương pháp luận này có thể tạo ra bản đồ LULC dựa trên GEE đám mây điện toán một cách chính xác và nhanh chóng và có thể được sử dụng trong lập bản đồ LULC quy mô lớn.
Remote Sensing - Tập 14 Số 9 - Trang 1977
#Bản đồ LULC #điện toán đám mây #Google Earth Engine #máy học #phân loại rừng ngẫu nhiên #Sentinel-2 #Landsat-8 #chỉ số quang phổ–thời gian #hỗn hợp theo mùa #chỉ số phần trăm.
ẢNH HƯỞNG CỦA HOẠT ĐỘNG ĐỌC MỞ RỘNG ĐÊN VIỆC PHÁT TRIỂN KHẢ NĂNG ĐỌC HIỂU CỦA SINH VIÊN CHUYÊN NGỮ NĂM HAI TẠI TRƯỜNG ĐẠI HỌC ĐÀ LẠT
Bài viết này báo cáo một chương trình Đọc mở rộng sử dụng một nguồn sách tiếng Anh được phân loại theo cấp độ, ứng dụng trình đọc Moodle cho sinh viên tiếng Anh năm hai tại Đại học Đà Lạt. Nghiên cứu tập trung xác định tác động của hoạt động đọc mở rộng đến việc phát triển khả năng đọc hiểu tiếng Anh và tìm hiểu thái độ của người học đối với chương trình Đọc mở rộng này. Dữ liệu được thu thập bằng cách sử dụng các bài kiểm tra trước và sau thực nghiệm và bảng hỏi. Các phát hiện chỉ ra rằng hoạt động đọc mở rộng ảnh hưởng tích cực đến khả năng đọc hiểu và thái độ của các sinh viên tham gia đọc mở rộng. Cuối cùng, bài báo đúc kết một số khuyến nghị cho việc áp dụng hoạt động đọc mở rộng với sự hỗ trợ của trình đọc Moodle cho các sinh viên và giảng viên môn Đọc hiểu tiếng Anh.
#Đọc mở rộng #Khả năng đọc hiểu #Tài liệu đọc phân loại theo cấp độ #Thái độ đối với việc đọc #Trình đọc Moodle.
Phương pháp phân loại lớp phủ bề mặt sử dụng ảnh cường độ phản hồi từ dữ liệu Lidar kết hợp với ảnh viễn thám
Tạp chí Khoa học Đo đạc và Bản đồ - Số 12 - 2012
Gần đây dữ liệu bay quét Lidar đã trở thành nguồn dữ liệu đầu vào khá thông dụng trên thế giới và ở Việt Nam. Ảnh cường độ phản hồi từ dữ liệu Lidar cung cấp lượng thông tin về lớp phủ bề mặt trong giải phổ hồng ngoại sóng ngắn với độ phân giải không gian cao có thể được sử dụng cùng với các dữ liệu khác chiết tách từ dữ liệu Lidar như DEM, DSM, ảnh máy bay chụp đồng thời và ảnh vũ trụ độ phân giải cao để phân loại lớp phủ bề mặt ở độ phân giải dưới 1m. Báo cáo giới thiệu các phương pháp thường dùng trong bài toán phân loại như phương pháp cây quyết định, phương pháp hướng đối tượng, phương pháp xác suất cực đại, phương pháp khoảng cách tối thiểu và phương pháp mạng neuron. Trong phần thử nghiệm, các phương pháp này được áp dụng cho 4 tổ hợp khác nhau của các nguồn dữ liệu đầu vào nêu trên cho khu vực thuộc TP Bắc Giang. Kết quả được đánh giá thông qua ma trận sai số cho thấy khả năng phân tích tốt nhất có thể chiết tách được 8 nhóm lớp phủ bề mặt là cỏ và cây bụi, cây cao, đất trống ẩm, đất trống khô, mặt đường nhựa, nhà mái ngói, nhà mái bê tông với độ chính xác 85-90% khi sử dụng phương pháp mạng neuron với tổ hợp tất cả các dữ liệu đầu vào trong thử nghiệm. Kết quả nghiên cứu mở ra khả năng xây dựng nhanh thông tin về lớp phủ bề mặt từ dữ liệu của các dự án bay quét Lidar bổ sung cho hệ thống dữ liệu nền địa lý tỷ lệ lớn.
Ứng dụng phương pháp viễn thám và trắc lượng hình thái trong phân tích ảnh hưởng của thay đổi lớp phủ thực vật và phân mảnh môi trường sống
Môi trường xây dựng, đặc biệt là cở sở hạ tậng đô thị và ven đô, có thể làm giảm khả năng phát triển tự nhiên của lớp phủ thực vật thông qua các cảnh quan. Duy trì kết nối cảnh quan đã trở thành chủ đề trong nghiên cứu sinh thái và bảo tồn, vì ranh giới của môi trường sống còn nguyên vẹn giúp duy trì các chức năng của hệ sinh thái. Kết nối cấu trúc được ước tính chỉ sử dụng lớp phủ, đây là cách tiếp cận đơn giản có tiềm năng lớn với ít yêu cầu về dữ liệu hơn cho việc lập kế hoạch hành lang bảo vệ. Nghiên cứu này, đã phân tích sự phân mảnh môi trường sống đối với kết nối cảnh quan khu vực Quần thể di tích Cố đô Huế - di sản văn hóa thế giới bằng cách sử dụng phương pháp trắc lượng hình thái và lựa chọn được bảy chỉ số cảnh quan (LPI, PAFRAC, DCAD, TECI, LSI, DIVISION và SHDI) để định lượng sự thay đổi của các mẫu dạng cảnh quan. Kết quả cho thấy, sự gia tăng của các khu vực xây dựng cũng như mức độ đa dạng và phân mảnh cảnh quan phục vụ hiệu quả trong hoạt động ra quyết định quy hoạch bảo tồn và tổ chức lãnh thổ.
MỘT TIẾP CẬN TÌM KIẾM ẢNH THEO NGỮ NGHĨA DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP VÀ ONTOLOGY
Trích xuất ngữ nghĩa cho hình ảnh là một bài toán mang tính thời sự và được ứng dụng trong nhiều hệ thống tra cứu ngữ nghĩa khác nhau. Trong bài báo này, một tiếp cận tra cứu ngữ nghĩa hình ảnh được đề xuất dựa trên tập ảnh tương tự với ảnh đầu vào; từ đó, ngữ nghĩa của hình ảnh được tra cứu trên ontology qua tập từ vựng thị giác. Các đối tượng trên mỗi hình ảnh được trích xuất và phân lớp dựa trên mạng nơ-ron tích chập nhằm trích xuất ngữ nghĩa cho hình ảnh. Sau đó, câu lệnh SPARQL được tự động tạo ra từ các phân lớp ảnh và thực hiện truy vấn trên ontology đã được xây dựng nhằm truy xuất tập ảnh tương tự và ngữ nghĩa tương ứng. Trên cơ sở phương pháp đã đề xuất, một thực nghiệm được xây dựng và đánh giá trên các bộ ảnh Caltech-256. Kết quả thực nghiệm được so sánh với các công trình công bố gần đây trên cùng một bộ dữ liệu nhằm minh chứng tính hiệu quả của phương pháp đề xuất. Theo kết quả thực nghiệm, phương pháp tra cứu ngữ nghĩa hình ảnh trong bài báo này đã nâng độ chính xác lên 88,7% đối với bộ dữ liệu ảnh Caltech-256.
#phân lớp ảnh #mạng nơ-ron tích chập #truy vấn ảnh dựa trên ngữ nghĩa #ontology
Tổng số: 45
- 1
- 2
- 3
- 4
- 5