Nhằm thúc đẩy sự trao đổi và nâng cao chuyên môn, vào sáng ngày 05/11/2024, Khoa Công nghệ Phần mềm đã tổ chức một buổi seminar học thuật tại phòng E7.3 với chủ đề hấp dẫn: "YOSCA: Confidence Adjustment for Better Object Detection in Aerial Images." Sự kiện đã thu hút sự tham gia nhiệt tình của các Thầy, Cô và Giảng viên trong Khoa, dưới sự trình bày xuất sắc của CN. Nguyễn Hữu Lợi.

Buổi seminar đã mang đến cái nhìn sâu sắc về vấn đề các đối tượng nhỏ là một thách thức đáng kể khi đánh giá ảnh chụp từ UAV. Mặc dù các mô hình YOLO đã thành công trong việc phát hiện các đối tượng thông thường, nhưng chúng vẫn còn nhiều hạn chế trong việc phát hiện các đối tượng nhỏ.Bài báo đề xuất một phương pháp kết hợp các kết quả của mô hình YOLO với phiên bản YOLO được tăng cường SAHI, sau khi điều chỉnh điểm tin cậy của các hộp giới hạn bằng cách sử dụng một phương pháp dựa trên Mô hình hỗn hợp Gauss, để cải thiện độ chính xác trong việc phát hiện các phương tiện nhỏ mà không ảnh hưởng đến khả năng phát hiện các phương tiện lớn. Phương pháp kết hợp này tăng cường phạm vi phát hiện bằng cách chuẩn hóa đầu ra của các mô hình dựa trên dữ liệu tổng hợp, bao gồm loại bỏ các trùng lắp và chuẩn hóa điểm tin cậy, sau đó hợp nhất kết quả của hai bộ phát hiện. Chúng tôi tiến hành đánh giá phương pháp được đề xuất với các phiên bản YOLO khác nhau: YOLOv5, YOLOv6, YOLOv7 và YOLOv8. Kết quả thử nghiệm trên hai bộ dữ liệu ảnh chụp từ trên không bằng máy bay không người lại, cụ thể là Visdrone và DroneVehicle, chứng minh độ chính xác cao hơn của mAP trên tất cả các mô hình được thử nghiệm.

Dưới đây là một số tóm tắt về kết quả .

z6001518553734 7bac153beb56f13f5a205e458bf66574

Hình 1: SAHI framework trên các mô hình phát hiện đối tượng

z6001519586884 01b8a28b8e1b109a492a2b0cd20d98af

Hình 2: Phương pháp cải tiến dựa trên kết hợp tập kết quả của YOLO và SAHI và điều chỉnh độ tin cậy bằng công thức (1)

z6001526755831 17ac07a831ddc6beaa3f669a701b8a64

Công thức (1)