[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_byId_trích xuất đặc trưng":3,"_public_topic_publications_tr%C3%ADch%20xu%E1%BA%A5t%20%C4%91%E1%BA%B7c%20tr%C6%B0ng{\"limit\":5}":112},{"code":4,"data":5,"meta":25},"SUCCESS",{"id":6,"title":7,"description":8,"content":9,"term":6,"englishTitle":10,"synonyms":11,"definition":15,"discipline":16,"references":17,"faqs":40,"createUser":53,"publishUser":57,"keywords":61,"keywordCount":72,"enrichTopicLink":73,"status":74,"createTime":75,"updateTime":76,"publishTime":77,"linkEnrichedTime":78,"publicationScanTime":79,"contentErrorMessage":25,"viewCount":80,"relateTopics":81},"trích xuất đặc trưng","Trích xuất đặc trưng là gì? Các bài báo nghiên cứu khoa học","Trích xuất đặc trưng là quá trình biến dữ liệu thô thành đại diện số có ý nghĩa, giúp mô hình học máy nhận biết và phân biệt thông tin quan trọng. Nó đóng vai trò chuyển đổi dữ liệu thành đầu vào hiệu quả cho huấn luyện, tăng độ chính xác và giảm nhiễu trong các ứng dụng như thị giác máy, NLP và y sinh. ","\u003Cp>Trích xuất đặc trưng (feature extraction) là một giai đoạn tiền xử lý trọng yếu trong quy trình học máy, thị giác máy tính và nhận dạng mẫu. Mục tiêu then chốt của kỹ thuật này là chuyển đổi không gian dữ liệu thô ban đầu – thường có số chiều lớn, nhiễu và chứa nhiều thông tin dư thừa – thành một tập hợp hữu hạn các vector đặc trưng có tính đại diện cao, phản ánh chính xác cấu trúc bản chất của đối tượng nghiên cứu.\u003C\u002Fp>\n\n\u003Ch2>Bản chất và mục tiêu của trích xuất đặc trưng\u003C\u002Fh2>\n\u003Cp>Theo Guyon và Elisseeff (2008), các tập dữ liệu thô như hình ảnh kỹ thuật số độ phân giải cao, {{topic|%7B%22topic%22%3A%22t%C3%ADn%20hi%E1%BB%87u%20%C3%A2m%20thanh%22%7D}} hay chuỗi văn bản tự nhiên thường gặp phải “lời nguyền số chiều” (curse of dimensionality). Việc đưa trực tiếp dữ liệu thô vào các thuật toán phân lớp hoặc hồi quy dẫn đến hiện tượng quá khớp (overfitting) và làm tăng chi phí tính toán. Trích xuất đặc trưng giúp giảm thiểu số lượng biến số đầu vào mà vẫn duy trì tối đa lượng thông tin hữu ích phục vụ cho quá trình phân biệt đối tượng.\u003C\u002Fp>\n\n\u003Ch2>Phân loại các phương pháp trích xuất đặc trưng truyền thống\u003C\u002Fh2>\n\u003Cp>Trước kỷ nguyên {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20s%C3%A2u%22%7D}}, các chuyên gia sử dụng các giải thuật thủ công (hand-crafted features) được thiết kế dựa trên tri thức chuyên ngành:\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Lĩnh vực ứng dụng\u003C\u002Fth>\n\u003Cth>Phương pháp tiêu biểu\u003C\u002Fth>\n\u003Cth>Nguyên lý trích xuất cốt lõi\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Thị giác máy tính\u003C\u002Ftd>\n\u003Ctd>SIFT (Scale-Invariant Feature Transform)\u003C\u002Ftd>\n\u003Ctd>Phát hiện cực trị không gian tỉ lệ dựa trên sai phân hàm Gaussian (DoG)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Nhận dạng đối tượng\u003C\u002Ftd>\n\u003Ctd>HOG (Histogram of Oriented Gradients)\u003C\u002Ftd>\n\u003Ctd>Đếm tần suất xuất hiện hướng gradient trong các vùng cục bộ của ảnh\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Xử lý tiếng nói\u003C\u002Ftd>\n\u003Ctd>MFCC (Mel-Frequency Cepstral Coefficients)\u003C\u002Ftd>\n\u003Ctd>Biến đổi phổ tần số theo thang đo độ cao âm Mel mô phỏng thính giác người\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Giảm chiều tuyến tính\u003C\u002Ftd>\n\u003Ctd>PCA (Principal Component Analysis)\u003C\u002Ftd>\n\u003Ctd>Chiếu dữ liệu lên các trục phương sai cực đại không tương quan\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Đột phá của thuật toán SIFT trong thị giác máy tính\u003C\u002Fh2>\n\u003Cp>Theo công trình kinh điển của David Lowe (2004), thuật toán SIFT đã tạo nên bước ngoặt lớn trong {{topic|%7B%22topic%22%3A%22nh%E1%BA%ADn%20d%E1%BA%A1ng%20m%E1%BA%ABu%22%7D}} thị giác nhờ khả năng trích xuất các điểm đặc trưng then chốt (keypoints) với những ưu thế vượt trội:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Bất biến với phép co giãn tỷ lệ và phép quay:\u003C\u002Fstrong> Đảm bảo nhận dạng chính xác vật thể bất kể khoảng cách chụp xa gần hay góc xoay của camera.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Độ bền vững cao:\u003C\u002Fstrong> Chống chịu tốt trước sự biến đổi góc chiếu sáng, nhiễu quang học và hiện tượng che khuất một phần (occlusion).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Tính phân biệt đặc thù:\u003C\u002Fstrong> Mỗi vector đặc trưng SIFT có độ dài 128 chiều, cho phép so khớp chính xác giữa hàng nghìn điểm ảnh trên {{topic|%7B%22topic%22%3A%22c%C6%A1%20s%E1%BB%9F%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Sự chuyển dịch sang Học biểu diện (Representation Learning) và Học sâu\u003C\u002Fh2>\n\u003Cp>Theo khảo cứu toàn diện của Yoshua Bengio và cộng sự (2013), sự phát triển của {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20n%C6%A1-ron%22%7D}} sâu (Deep Neural Networks) đã thay thế việc chế tạo đặc trưng thủ công bằng quá trình tự động học biểu diễn phân cấp (hierarchical representation learning):\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Mạng tích chập (CNN):\u003C\u002Fstrong> Tự động học các đặc trưng hình ảnh từ mức thấp (cạnh, góc, kết cấu) đến mức cao (bộ phận, hình thái toàn thể và ngữ nghĩa trừu tượng).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mạng Transformer:\u003C\u002Fstrong> Trích xuất các mối quan hệ ngữ cảnh và đặc trưng khoảng cách xa trong {{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) và {{topic|%7B%22topic%22%3A%22th%E1%BB%8B%20gi%C3%A1c%20m%C3%A1y%20t%C3%ADnh%22%7D}} (Vision Transformers).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bộ tự mã hóa (Autoencoders):\u003C\u002Fstrong> Nén dữ liệu không gian nhiều chiều vào một không gian ẩn (latent space) cô đọng mà không cần nhãn giám sát.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tiễn đa ngành\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>Chẩn đoán y khoa thông minh:\u003C\u002Fstrong> Tự động phát hiện tổn thương phổi, khối u và võng mạc từ hình ảnh {{topic|%7B%22topic%22%3A%22ch%E1%BB%A5p%20c%E1%BA%AFt%20l%E1%BB%9Bp%20vi%20t%C3%ADnh%22%7D}} (CT), MRI và ảnh đáy mắt.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Xe tự hành và Robot:\u003C\u002Fstrong> Định vị bản đồ đồng thời (SLAM), nhận diện làn đường, người đi bộ và chướng ngại vật trong {{topic|%7B%22topic%22%3A%22th%E1%BB%9Di%20gian%20th%E1%BB%B1c%22%7D}}.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hệ thống gợi ý và Tìm kiếm đa phương tiện:\u003C\u002Fstrong> Trích xuất vector nhúng ngữ nghĩa (embeddings) để tìm kiếm hình ảnh tương đồng và cá nhân hóa {{topic|%7B%22topic%22%3A%22tr%E1%BA%A3i%20nghi%E1%BB%87m%20ng%C6%B0%E1%BB%9Di%20d%C3%B9ng%22%7D}}.\u003C\u002Fli>\n\u003C\u002Ful>","feature extraction",[12,13,14],"rút trích đặc trưng","học biểu diễn","biến đổi đặc trưng","Trích xuất đặc trưng là quá trình biến đổi dữ liệu thô đầu vào thành một tập hợp các thuộc tính số lượng đại diện cô đọng và có tính phân biệt cao phục vụ cho các thuật toán học máy và nhận dạng mẫu.","ENGINEERING_TECHNOLOGY",[18,26,33],{"citationText":19,"title":20,"authors":21,"source":22,"year":23,"doi":24,"url":25},"Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2), 91-110.","Distinctive Image Features from Scale-Invariant Keypoints","Lowe, D. G.","International Journal of Computer Vision",2004,"10.1023\u002Fb:visi.0000029664.99615.94",null,{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":25},"Bengio, Y., Courville, A., & Vincent, P. (2013). Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798-1828.","Representation Learning: A Review and New Perspectives","Bengio, Y., Courville, A., Vincent, P.","IEEE Transactions on Pattern Analysis and Machine Intelligence",2013,"10.1109\u002Ftpami.2013.50",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":25},"Guyon, I., & Elisseeff, A. (2008). An Introduction to Feature Extraction. In Feature Extraction (pp. 1-25). Springer.","An Introduction to Feature Extraction","Guyon, I., Elisseeff, A.","Springer",2008,"10.1007\u002F978-3-540-35488-8_1",[41,44,47,50],{"question":42,"answer":43},"Sự khác biệt căn bản giữa trích xuất đặc trưng (feature extraction) và chọn lọc đặc trưng (feature selection) là gì?","Chọn lọc đặc trưng giữ nguyên các đặc trưng gốc và loại bỏ những đặc trưng dư thừa hoặc nhiễu; trong khi trích xuất đặc trưng tạo ra các biến số mới hoàn toàn thông qua việc chuyển đổi không gian biểu diễn (như PCA, autoencoders).",{"question":45,"answer":46},"Mạng nơ-ron tích chập (CNN) tự động trích xuất đặc trưng hình ảnh như thế nào?","CNN sử dụng các lớp tích chập phân cấp để học biểu diễn từ thấp đến cao: các lớp đầu trích xuất cạnh, góc và màu sắc; các lớp giữa trích xuất họa tiết và hình dạng bộ phận; các lớp sâu trích xuất đặc trưng ngữ nghĩa trừu tượng của toàn bộ đối tượng.",{"question":48,"answer":49},"Thuật toán SIFT (Scale-Invariant Feature Transform) có những ưu điểm gì?","SIFT tạo ra các vector đặc trưng cục bộ bất biến đối với phép co giãn tỷ lệ ảnh, phép quay không gian, và có độ bền vững cao trước sự thay đổi góc chiếu sáng và biến dạng affine.",{"question":51,"answer":52},"Trích xuất đặc trưng đóng vai trò gì trong việc giải quyết 'lời nguyền số chiều' (curse of dimensionality)?","Bằng cách giảm số chiều của không gian dữ liệu mà vẫn bảo toàn tối đa lượng thông tin cốt lõi, trích xuất đặc trưng giúp giảm chi phí tính toán, hạn chế hiện tượng quá khớp (overfitting) và tăng hiệu quả hội tụ của mô hình học máy.",{"id":54,"researcherId":25,"name":55,"imageUrl":56},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":58,"researcherId":25,"name":59,"imageUrl":60},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[62,63,64,65,66,67,68,69,70,71],"tín hiệu âm thanh","học sâu","nhận dạng mẫu","cơ sở dữ liệu","mạng nơ-ron","xử lý ngôn ngữ tự nhiên","thị giác máy tính","chụp cắt lớp vi tính","thời gian thực","trải nghiệm người dùng",10,true,"PUBLISHED","2025-05-27T02:05:39.591+00:00","2026-09-02T07:16:52.220+00:00","2025-06-03T03:09:21.590+00:00","2026-08-28T07:05:26.358+00:00","2026-09-02T07:16:52.217+00:00",669,[82,85,88,91,94,97,100,103,106,109],{"id":83,"title":84,"term":83,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":86,"title":87,"term":86,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"tán xạ","Tán xạ là gì? Các nghiên cứu khoa học về Tán xạ",{"id":89,"title":90,"term":89,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":92,"title":93,"term":92,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":95,"title":96,"term":95,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":98,"title":99,"term":98,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"nghiên cứu hồi cứu","Nghiên cứu hồi cứu là gì? Các nghiên cứu khoa học về Nghiên cứu hồi cứu",{"id":101,"title":102,"term":101,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"scopus","Scopus là gì? Các bài báo nghiên cứu khoa học về Scopus",{"id":104,"title":105,"term":104,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":107,"title":108,"term":107,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"vị từ","Vị từ là gì? Các nghiên cứu khoa học về Vị từ",{"id":110,"title":111,"term":110,"englishTitle":25,"definition":25,"discipline":25,"disciplineCode":25,"disciplineLabel":25,"disciplineColor":25,"disciplineIcon":25},"bộ điều khiển pi","Bộ điều khiển Pi là gì? Các nghiên cứu về Bộ điều khiển Pi",{"code":4,"data":113,"meta":25},{"latest":114,"mostCited":140,"vietnamFeatured":206,"vietnamLatest":218},[115,127],{"publicationId":116,"title":117,"originalTitle":25,"authorNames":118,"authorCount":121,"journalName":122,"vietnamJournal":123,"publishDate":25,"publishYear":25,"totalCitation":25,"url":124,"doi":125,"summary":126},"33671c2a-ef8d-4522-8d4c-4afdb2173a55","Face recognition using kernel principal component analysis and genetic algorithms",[119,120],"Zhang Yankun","Liu Chongqing",2,"Proceedings of the 12th IEEE Workshop on Neural Networks for Signal Processing",false,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030045\u002F","10.1109\u002FNNSP.2002.1030045","\u003Cp>Nghiên cứu nhận dạng khuôn mặt ứng dụng kỹ thuật phân tích thành phần chính hạt nhân \u003Ci>Kernel PCA\u003C\u002Fi> để \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> phi tuyến kết hợp thuật toán di truyền. Mô hình giảm số chiều không gian nhưng vẫn bảo toàn tối đa thông tin phân lớp trong điều kiện ánh sáng biến đổi. Kết quả nâng cao độ chính xác nhận diện trên tập dữ liệu chuẩn.\u003C\u002Fp>",{"publicationId":128,"title":129,"originalTitle":130,"authorNames":131,"authorCount":135,"journalName":136,"vietnamJournal":123,"publishDate":25,"publishYear":25,"totalCitation":25,"url":137,"doi":138,"summary":139},"11bcdda6-acbd-497c-a66c-fb9e923a979f","Phân loại tín hiệu điện tâm đồ bằng các phương pháp SOM, LVQ và nhận diện nhịp tim nhằm định vị loạn nhịp tim","Classification of electrocardiogram using SOM, LVQ and beat detection methods in localization of cardiac arrhythmias",[132,133,134],"M.H. Baig","A. Rasool","M.I. Bhatti",3,"Proceedings of the 19th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 'Magnificent Milestones and Emerging Opportunities in Medical Engineering' (Cat. No.97CH36136)","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1020539\u002F","10.1109\u002FIEMBS.2001.1020539","\u003Cp>Khảo sát chẩn đoán nhịp tim đề xuất phương pháp \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> hình thái sóng điện tâm đồ kết hợp mạng tự tổ chức SOM và lượng tử hóa vector học tập LVQ. Các đặc trưng khoảng thời gian và biên độ sóng P-QRS-T được tách lọc chính xác hỗ trợ định vị ổ loạn nhịp thất. Kết quả thực nghiệm cho độ đặc hiệu phân loại đạt 97,4%.\u003C\u002Fp>",[141,154,168,180,193],{"publicationId":142,"title":143,"originalTitle":144,"authorNames":145,"authorCount":121,"journalName":148,"vietnamJournal":123,"publishDate":149,"publishYear":150,"totalCitation":25,"url":151,"doi":152,"summary":153},"97fba6e9-3cd0-4a6d-92ee-6b0307b8e8f0","Mô hình dự đoán dựa trên việc trích xuất đặc trưng từ hình ảnh mô học của vú","A model to perform prediction based on feature extraction of histopathological images of the breast",[146,147],"Sushma Nagdeote","Sapna Prabhu","Multimedia Tools and Applications","2023-07-24",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11042-023-16245-5","10.1007\u002Fs11042-023-16245-5","\u003Cp>Mô hình hóa thị giác máy tính phát triển thuật toán \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> hình thái tế bào từ ảnh mô học giải phẫu bệnh để phân loại ung thư vú. Mạng nơ-ron tích chập CNN trích xuất đồng thời đặc trưng kết cấu và biên dạng nhân tế bào đạt độ chính xác chẩn đoán 96,2%. Tác giả chỉ ra tiềm năng của hệ thống trong hỗ trợ chẩn đoán bệnh học kỹ thuật số.\u003C\u002Fp>",{"publicationId":155,"title":156,"originalTitle":157,"authorNames":158,"authorCount":162,"journalName":25,"vietnamJournal":123,"publishDate":163,"publishYear":164,"totalCitation":25,"url":165,"doi":166,"summary":167},"47116e23-5a5c-4ec5-a087-85fe27c986bf","Phương pháp trích xuất đặc trưng lỗi vòng bi gồm các yếu tố trượt dựa trên biến đổi sóng trải nghiệm (EWT) và hàm ngưỡng arctangent","A rolling element bearing fault feature extraction method based on the EWT and an arctangent threshold function",[159,160,161],"Li, Chao","Xu, Feiyun","Yang, Hongxin",4,"2022-04-01",2022,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12206-022-0306-4","10.1007\u002Fs12206-022-0306-4","\u003Cp>Nghiên cứu chẩn đoán kỹ thuật đề xuất phương pháp \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> dao động tín hiệu để phát hiện sớm hư hỏng ổ lăn máy công nghiệp. Phép biến đổi \u003Ci>wavelet\u003C\u002Fi> thích ứng kết hợp phân tích năng lượng dải tần giúp lọc bỏ nhiễu cơ khí và làm nổi bật tín hiệu va đập đặc trưng của khuyết tật vòng bi. Kết quả cải thiện độ nhạy phát hiện lỗi ban đầu.\u003C\u002Fp>",{"publicationId":169,"title":170,"originalTitle":171,"authorNames":172,"authorCount":121,"journalName":25,"vietnamJournal":123,"publishDate":175,"publishYear":176,"totalCitation":25,"url":177,"doi":178,"summary":179},"d280cbf4-fdb4-450d-a0a3-6ff32f1a799b","Phân loại nhịp tim ECG bằng cách sử dụng mạng nơ-ron sâu","Classification of ECG heartbeats using deep neural networks",[173,174],"Selma Harrane","Mohammed Belkhiri","2021-09-25",2021,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs42600-021-00176-x","10.1007\u002Fs42600-021-00176-x","\u003Cp>Khảo sát điện tâm đồ ECG phát triển quy trình \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> phức bộ QRS và khoảng PR phục vụ phân loại tự động các dạng rối loạn nhịp tim. Mạng nơ-ron sâu học biểu diễn không gian đặc trưng từ tín hiệu điện tim đạt độ nhạy phân loại 98,1% trên cơ sở dữ liệu MIT-BIH. Công trình cung cấp giải pháp theo dõi tim mạch thời gian thực trên thiết bị đeo.\u003C\u002Fp>",{"publicationId":181,"title":182,"originalTitle":183,"authorNames":184,"authorCount":135,"journalName":148,"vietnamJournal":123,"publishDate":188,"publishYear":189,"totalCitation":25,"url":190,"doi":191,"summary":192},"00085290-518f-4265-a64a-53410dd12e49","Trích xuất đặc trưng của đám mây điểm dựa trên phân đoạn gom cụm theo vùng","Feature extraction of point clouds based on region clustering segmentation",[185,186,187],"XiaoHui Wang","HuaWei Chen","LuShen Wu","2020-01-09",2020,"http:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11042-019-08512-1","10.1007\u002Fs11042-019-08512-1","\u003Cp>Nghiên cứu thị giác máy tính 3D đề xuất thuật toán \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> hình học từ đám mây điểm \u003Ci>scattered point clouds\u003C\u002Fi> dựa trên phân đoạn cụm vùng \u003Ci>clustering segmentation\u003C\u002Fi>. Phương pháp ước tính vector pháp tuyến bề mặt giúp phân tách chính xác các đường biên ranh giới. Kết quả tối ưu hóa tốc độ tái tạo mô hình 3D công trình kiến trúc phức tạp.\u003C\u002Fp>",{"publicationId":194,"title":195,"originalTitle":196,"authorNames":197,"authorCount":201,"journalName":202,"vietnamJournal":123,"publishDate":25,"publishYear":25,"totalCitation":25,"url":203,"doi":204,"summary":205},"403cc8f3-f829-4045-a7b3-2ffdd6adf673","Tập các đặc trưng kết cấu mới dựa trên ma trận đồng xuất hiện 3D phục vụ truy xuất hình ảnh dựa trên nội dung","A set of novel textural features based on 3D co-occurrence matrix for content-based image retrieval",[198,199,200],"Tao Dacheng","Li Xuelong","Yuan Yuan",6,"Proceedings of the Fifth International Conference on Information Fusion. FUSION 2002. (IEEE Cat.No.02EX5997)","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1020979\u002F","10.1109\u002FICIF.2002.1020979","\u003Cp>Khảo sát truy vấn hình ảnh dựa trên nội dung CBIR giới thiệu bộ thông số \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> kết cấu \u003Ci>textural features\u003C\u002Fi> mới dựa trên ma trận đồng xuất không gian ba chiều \u003Ci>3D co-occurrence matrix\u003C\u002Fi>. Phương pháp thu giữ tương quan không gian giữa các voxel màu giúp phân biệt hoa văn với độ chính xác đạt 89,5%. Tác giả chỉ ra ứng dụng trong cơ sở dữ liệu ảnh y học.\u003C\u002Fp>",[207],{"publicationId":208,"title":209,"originalTitle":25,"authorNames":210,"authorCount":212,"journalName":213,"vietnamJournal":73,"publishDate":214,"publishYear":150,"totalCitation":25,"url":215,"doi":216,"summary":217},"4ab2e151-42a0-48a2-8096-7eb425bf99e2","CƠ SỞ TOÁN VÀ MFCCS – TRÍCH XUẤT ĐẶC TRƯNG ÂM THANH",[211],"Nguyễn Thế Cường",1,"Tạp chí Khoa học Trường Đại học Sư phạm Thành phố Hồ Chí Minh","2023-07-27","https:\u002F\u002Fjournal.hcmue.edu.vn\u002Findex.php\u002Fhcmuejos\u002Farticle\u002Fview\u002F3646","10.54607\u002Fhcmue.js.20.7.3646(2023)","\u003Cp>Khảo sát xử lý tín hiệu âm thanh ứng dụng kỹ thuật hệ số \u003Ci>MFCC\u003C\u002Fi> để \u003Cb class=\"publication-topic-keywords\">trích xuất đặc trưng\u003C\u002Fb> giọng nói phục vụ nhận dạng tiếng Việt tự động. Thuật toán phân tích phổ tần số Mel kết hợp biến đổi cosin rời rạc DCT giúp thu giữ các đặc tính âm học cơ bản của nguyên âm và phụ âm. Kết quả nâng cao độ chính xác nhận dạng từ khóa lên 94,8% trong môi trường có nhiễu.\u003C\u002Fp>",[]]