R-CNN là gì? Tổng quan nhanh

Phát hiện đối tượng là một tác vụ thị giác máy tính có thể nhận dạng và xác định vị trí các đối tượng trong hình ảnh hoặc video cho những ứng dụng như lái xe tự động, giám sát và chẩn đoán hình ảnh y khoa. Các phương pháp phát hiện đối tượng trước đây, chẳng hạn như bộ phát hiện Viola-Jones và Histogram of Oriented Gradients (HOG) kết hợp với Support Vector Machines (SVM), dựa vào các đặc trưng được thiết kế thủ công và cửa sổ trượt. Những phương pháp này thường gặp khó khăn trong việc phát hiện chính xác các đối tượng trong những cảnh phức tạp có nhiều đối tượng với hình dạng và kích thước khác nhau.

Region-based Convolutional Neural Networks (R-CNN) đã thay đổi cách chúng ta xử lý bài toán phát hiện đối tượng. Đây là một cột mốc quan trọng trong lịch sử thị giác máy tính. Để hiểu các model như Ultralytics YOLOv8 ra đời như thế nào, trước tiên chúng ta cần hiểu các model như R-CNN.

Được tạo ra bởi Ross Girshick và nhóm của ông, kiến trúc model R-CNN tạo ra các đề xuất vùng, trích xuất đặc trưng bằng một Convolutional Neural Network (CNN) được huấn luyện trước, phân loại đối tượng và tinh chỉnh các bounding box. Mặc dù điều này có vẻ phức tạp, đến cuối bài viết, bạn sẽ hiểu rõ cách R-CNN hoạt động và lý do nó có ảnh hưởng lớn đến vậy. Hãy cùng tìm hiểu!

R-CNN hoạt động như thế nào?#

Quy trình phát hiện đối tượng của model R-CNN gồm ba bước chính: tạo đề xuất vùng, trích xuất đặc trưng và phân loại đối tượng đồng thời tinh chỉnh bounding box của chúng. Hãy cùng đi qua từng bước.

Hình 1. Cách R-CNN hoạt động.

Đề xuất vùng: Nền tảng của RCNN#

Ở bước đầu tiên, model R-CNN quét hình ảnh để tạo ra nhiều đề xuất vùng. Đề xuất vùng là những khu vực tiềm năng có thể chứa đối tượng. Các phương pháp như Selective Search được sử dụng để xem xét nhiều khía cạnh khác nhau của hình ảnh, chẳng hạn như màu sắc, kết cấu và hình dạng, rồi phân tách hình ảnh thành các phần khác nhau. Selective Search bắt đầu bằng cách chia hình ảnh thành các phần nhỏ hơn, sau đó hợp nhất những phần tương tự để tạo thành các khu vực quan tâm lớn hơn. Quy trình này tiếp tục cho đến khi tạo ra khoảng 2.000 đề xuất vùng.

Hình 2. Cách Selective Search hoạt động.

Các đề xuất vùng này giúp xác định tất cả vị trí có khả năng xuất hiện đối tượng. Ở các bước tiếp theo, model có thể xử lý hiệu quả những khu vực phù hợp nhất bằng cách tập trung vào các khu vực cụ thể này thay vì toàn bộ hình ảnh. Việc sử dụng đề xuất vùng giúp cân bằng giữa tính toàn diện và hiệu quả tính toán.

Trích xuất đặc trưng hình ảnh: Nắm bắt các chi tiết#

Bước tiếp theo trong quy trình phát hiện đối tượng của model R-CNN là trích xuất đặc trưng từ các đề xuất vùng. Mỗi đề xuất vùng được thay đổi kích thước về một kích thước nhất quán mà CNN yêu cầu (ví dụ: 224x224 pixel). Việc thay đổi kích thước giúp CNN xử lý từng đề xuất hiệu quả. Trước khi biến dạng, kích thước của mỗi đề xuất vùng được mở rộng một chút để bao gồm thêm 16 pixel ngữ cảnh xung quanh vùng, cung cấp thêm thông tin lân cận nhằm trích xuất đặc trưng tốt hơn.

Sau khi được thay đổi kích thước, các đề xuất vùng này được đưa vào một CNN như AlexNet, thường đã được huấn luyện trước trên một dataset lớn như ImageNet. CNN xử lý từng vùng để trích xuất các vector đặc trưng có chiều cao, nắm bắt những chi tiết quan trọng như cạnh, kết cấu và mẫu. Các vector đặc trưng này cô đọng thông tin thiết yếu từ các vùng. Chúng chuyển đổi dữ liệu hình ảnh thô sang định dạng mà model có thể sử dụng cho việc phân tích tiếp theo. Việc phân loại và xác định chính xác vị trí đối tượng ở các giai đoạn tiếp theo phụ thuộc vào quá trình chuyển đổi quan trọng này, từ thông tin trực quan thành dữ liệu có ý nghĩa.

Hình 3. Trích xuất đặc trưng từ một đề xuất vùng bằng AlexNet.

Phân loại đối tượng: Xác định các đối tượng đã phát hiện#

Bước thứ ba là phân loại các đối tượng bên trong những vùng này. Điều này có nghĩa là xác định danh mục hoặc lớp của từng đối tượng được tìm thấy trong các đề xuất. Sau đó, các vector đặc trưng đã trích xuất được đưa qua một bộ phân loại machine learning.

Trong R-CNN, Support Vector Machines (SVMs) thường được sử dụng cho mục đích này. Mỗi SVM được huấn luyện để nhận dạng một lớp đối tượng cụ thể bằng cách phân tích các vector đặc trưng và quyết định xem một vùng nhất định có chứa một thể hiện của lớp đó hay không. Về cơ bản, mỗi danh mục đối tượng có một bộ phân loại riêng để kiểm tra từng đề xuất vùng nhằm tìm đối tượng cụ thể đó.

Trong quá trình huấn luyện, các bộ phân loại được cung cấp dữ liệu có nhãn với các mẫu dương và âm:

• Mẫu dương: Các vùng chứa đối tượng mục tiêu.
• Mẫu âm: Các vùng không chứa đối tượng.

Các bộ phân loại học cách phân biệt giữa những mẫu này. Hồi quy bounding box tiếp tục tinh chỉnh vị trí và kích thước của các đối tượng đã phát hiện bằng cách điều chỉnh những bounding box được đề xuất ban đầu để khớp hơn với ranh giới thực tế của đối tượng. Model R-CNN có thể nhận dạng và xác định chính xác vị trí đối tượng bằng cách kết hợp phân loại với hồi quy bounding box.

Hình 4. Ví dụ về hồi quy bounding box. (nguồn: towardsdatascience.com)

Kết hợp tất cả: Tinh chỉnh kết quả phát hiện bằng NMS#

Sau các bước phân loại và hồi quy bounding box, model thường tạo ra nhiều bounding box chồng lấn cho cùng một đối tượng. Non-Maximum Suppression (NMS) được áp dụng để tinh chỉnh các kết quả phát hiện này, giữ lại những box chính xác nhất. Model loại bỏ các box dư thừa và chồng lấn bằng cách áp dụng NMS, chỉ giữ lại những kết quả phát hiện có độ tin cậy cao nhất.

NMS hoạt động bằng cách đánh giá điểm độ tin cậy (cho biết khả năng một đối tượng đã phát hiện thực sự tồn tại) của tất cả bounding box và loại bỏ những box chồng lấn đáng kể với các box có điểm cao hơn.

Hình 5. Ví dụ về loại bỏ cực đại không cực đại. (nguồn: towardsdatascience.com)

Dưới đây là các bước trong NMS:

• Sắp xếp: Các bounding box được sắp xếp theo điểm độ tin cậy theo thứ tự giảm dần.
• Lựa chọn: Box có điểm cao nhất được chọn, và tất cả các box chồng lấn đáng kể với nó (dựa trên Intersection over Union, IoU) sẽ bị loại bỏ.
• Lặp: Quy trình này lặp lại với box có điểm cao tiếp theo và tiếp tục cho đến khi tất cả các box được xử lý.

Tóm lại, model R-CNN phát hiện đối tượng bằng cách tạo đề xuất vùng, trích xuất đặc trưng bằng CNN, phân loại đối tượng và tinh chỉnh vị trí của chúng bằng hồi quy bounding box, đồng thời sử dụng Non-Maximum Suppression (NMS) để chỉ giữ lại những kết quả phát hiện chính xác nhất.

R-CNN là cột mốc trong lĩnh vực phát hiện đối tượng#

R-CNN là một model mang tính bước ngoặt trong lịch sử phát hiện đối tượng vì đã giới thiệu một phương pháp mới giúp cải thiện đáng kể độ chính xác và hiệu năng. Trước R-CNN, các model phát hiện đối tượng gặp khó khăn trong việc cân bằng giữa tốc độ và độ chính xác. Phương pháp tạo đề xuất vùng và sử dụng CNN để trích xuất đặc trưng của R-CNN cho phép định vị và nhận dạng chính xác các đối tượng trong hình ảnh.

R-CNN mở đường cho các model như Fast R-CNN, Faster R-CNN và Mask R-CNN, những model tiếp tục nâng cao hiệu quả và độ chính xác. Bằng cách kết hợp deep learning với phân tích dựa trên vùng, R-CNN đã thiết lập một tiêu chuẩn mới trong lĩnh vực này và mở ra nhiều khả năng cho các ứng dụng thực tế.

Cải tiến chẩn đoán hình ảnh y khoa với R-CNN#

Một ứng dụng thú vị của R-CNN là trong chẩn đoán hình ảnh y khoa. Các model R-CNN đã được sử dụng để phát hiện và phân loại nhiều loại khối u khác nhau, chẳng hạn như u não, trong các ảnh y khoa như ảnh MRI và CT. Việc sử dụng model R-CNN trong chẩn đoán hình ảnh y khoa cải thiện độ chính xác chẩn đoán và giúp bác sĩ X-quang xác định các khối u ác tính ở giai đoạn sớm. Khả năng phát hiện cả những khối u nhỏ và ở giai đoạn sớm của R-CNN có thể tạo ra khác biệt đáng kể trong việc điều trị và tiên lượng các bệnh như ung thư.

Hình 6. Phát hiện u não bằng RCNN.

Model R-CNN có thể được áp dụng cho nhiều tác vụ chẩn đoán hình ảnh y khoa khác bên cạnh phát hiện khối u. Ví dụ, model có thể xác định các vết gãy xương, phát hiện bệnh võng mạc trong ảnh mắt và phân tích ảnh phổi để tìm các tình trạng như viêm phổi và COVID-19. Bất kể vấn đề y khoa là gì, việc phát hiện sớm có thể mang lại kết quả điều trị tốt hơn cho bệnh nhân. Bằng cách áp dụng độ chính xác của R-CNN trong việc xác định và định vị các bất thường, các nhà cung cấp dịch vụ chăm sóc sức khỏe có thể cải thiện độ tin cậy và tốc độ chẩn đoán y khoa. Khi phát hiện đối tượng giúp tinh gọn quy trình chẩn đoán, bệnh nhân có thể nhận được kế hoạch điều trị kịp thời và chính xác.

Những hạn chế của R-CNN và các model kế nhiệm#

Mặc dù ấn tượng, R-CNN vẫn có một số nhược điểm, chẳng hạn như độ phức tạp tính toán cao và thời gian inference chậm. Những nhược điểm này khiến model R-CNN không phù hợp với các ứng dụng thời gian thực. Việc tách đề xuất vùng và phân loại thành các bước riêng biệt có thể dẫn đến hiệu năng kém hiệu quả hơn.

Trong nhiều năm qua, nhiều model phát hiện đối tượng đã ra đời để giải quyết những vấn đề này. Fast R-CNN kết hợp đề xuất vùng và trích xuất đặc trưng bằng CNN vào một bước duy nhất, giúp tăng tốc quy trình. Faster R-CNN giới thiệu Region Proposal Network (RPN) để tinh gọn quá trình tạo đề xuất, trong khi Mask R-CNN bổ sung segmentation ở cấp pixel để tạo ra các kết quả phát hiện chi tiết hơn.

Hình 7. So sánh R-CNN, Fast R-CNN, Faster R-CNN và Mask R-CNN.

Cùng khoảng thời gian với Faster R-CNN, dòng YOLO (Bạn chỉ nhìn một lần) bắt đầu thúc đẩy phát hiện đối tượng thời gian thực. Các model YOLO dự đoán bounding box và xác suất lớp chỉ trong một lượt truyền qua network. Ví dụ, Ultralytics YOLOv8 mang lại độ chính xác và tốc độ được cải thiện cùng các tính năng nâng cao cho nhiều tác vụ thị giác máy tính.

Những điểm chính#

RCNN đã tạo ra bước ngoặt trong thị giác máy tính, cho thấy deep learning có thể thay đổi việc phát hiện đối tượng như thế nào. Thành công của model đã truyền cảm hứng cho nhiều ý tưởng mới trong lĩnh vực này. Mặc dù các model mới hơn như Faster R-CNN và YOLO đã xuất hiện để khắc phục những hạn chế của RCNN, đóng góp của model vẫn là một cột mốc lớn đáng ghi nhớ.

Khi nghiên cứu tiếp tục phát triển, chúng ta sẽ thấy những model phát hiện đối tượng tốt hơn và nhanh hơn. Những tiến bộ này không chỉ cải thiện cách máy móc hiểu thế giới mà còn thúc đẩy sự phát triển trong nhiều ngành công nghiệp. Tương lai của lĩnh vực phát hiện đối tượng rất đáng kỳ vọng!

Muốn tiếp tục khám phá về AI? Hãy trở thành một phần của cộng đồng Ultralytics! Khám phá repository GitHub của chúng tôi để xem những đổi mới mới nhất về trí tuệ nhân tạo. Tìm hiểu các giải pháp AI của chúng tôi trong nhiều lĩnh vực như nông nghiệp và sản xuất. Hãy tham gia cùng chúng tôi để học hỏi và phát triển!