R-CNN là gì? Tổng quan nhanh

Phát hiện đối tượng (Object detection) là một nhiệm vụ thị giác máy tính có thể nhận dạng và định vị các đối tượng trong hình ảnh hoặc video cho các ứng dụng như lái xe tự động, giám sát và chẩn đoán hình ảnh y tế. Các phương pháp phát hiện đối tượng trước đây, chẳng hạn như bộ phát hiện Viola-Jones và Biểu đồ các hướngGradient (Histogram of Oriented Gradients - HOG) với Máy vectơ hỗ trợ (Support Vector Machines - SVM), dựa trên các đặc trưng được tạo thủ công và cửa sổ trượt. Các phương pháp này thường gặp khó khăn trong việc phát hiện chính xác các đối tượng trong các cảnh phức tạp với nhiều đối tượng có hình dạng và kích thước khác nhau.

Mạng nơ-ron tích chập dựa trên vùng (R-CNN) đã thay đổi cách chúng ta giải quyết bài toán phát hiện đối tượng. Đây là một cột mốc quan trọng trong lịch sử thị giác máy tính. Để hiểu cách các mô hình như YOLOv8 ra đời, trước tiên chúng ta cần hiểu các mô hình như R-CNN. 

Được tạo bởi Ross Girshick và nhóm của ông, kiến trúc mô hình R-CNN tạo ra các đề xuất vùng, trích xuất các đặc trưng bằng Mạng nơ-ron tích chập (CNN) được huấn luyện trước, phân loại các đối tượng và tinh chỉnh các hộp giới hạn. Mặc dù điều đó có vẻ khó khăn, nhưng đến cuối bài viết này, bạn sẽ hiểu rõ về cách R-CNN hoạt động và tại sao nó lại có tác động lớn đến vậy. Hãy cùng xem nhé!

R-CNN hoạt động như thế nào?

Quy trình phát hiện đối tượng của mô hình R-CNN bao gồm ba bước chính: tạo đề xuất vùng, trích xuất đặc trưng và phân loại đối tượng đồng thời tinh chỉnh các hộp giới hạn của chúng. Chúng ta hãy cùng xem xét từng bước.

‍

Đề xuất vùng: Nền tảng của RCNN

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

‍

Các đề xuất khu vực này giúp xác định tất cả các vị trí có thể có nơi một đối tượng có thể xuất hiện. Trong các bước tiếp theo, mô hình có thể xử lý hiệu quả các khu vực liên quan nhất bằng cách tập trung vào các khu vực cụ thể này thay vì toàn bộ hình ảnh. Sử dụng các đề xuất khu vực cân bằng giữa tính kỹ lưỡng 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 mô hình R-CNN là trích xuất đặc trưng từ các đề xuất vùng. Mỗi đề xuất vùng được thay đổi kích thước thành 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 một cách 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 bổ sung xung quanh vùng để cung cấp thêm thông tin xung quanh 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 được huấn luyện trước trên một tập dữ liệu lớn như ImageNet. CNN xử lý từng vùng để trích xuất các vectơ đặc trưng chiều cao, nắm bắt các chi tiết quan trọng như cạnh, kết cấu và mẫu. Các vectơ đặc trưng này cô đọng thông tin cần thiết từ các vùng. Chúng chuyển đổi dữ liệu hình ảnh thô thành một định dạng mà mô hình có thể sử dụng để phân tích thêm. Việc phân loại và định vị chính xác các đối tượng trong các giai đoạn tiếp theo phụ thuộc vào việc chuyển đổi thông tin trực quan thành dữ liệu có ý nghĩa này.

‍

Phân loại đối tượng: Xác định các đối tượng được phát hiện

Bước thứ ba là phân loại các đối tượng trong các vùng này. Điều này có nghĩa là xác định danh mục hoặc lớp của mỗi đối tượng được tìm thấy trong các đề xuất. Các vectơ đặc trưng được trích xuất sau đó được chuyển qua một bộ phân loại máy học.

Trong trường hợp của R-CNN, Máy Vector Hỗ trợ (SVM) thường được sử dụng cho mục đích này. Mỗi SVM được huấn luyện để nhận ra một lớp đối tượng cụ thể bằng cách phân tích các vector đặc trưng và quyết định xem một vùng cụ thể có chứa một thể hiện của lớp đó hay không. Về cơ bản, đối với mỗi danh mục đối tượng, có một bộ phân loại chuyên dụng kiểm tra từng đề xuất vùng cho đối tượng cụ thể đó.

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

• Các mẫu dương tính: Các vùng chứa đối tượng mục tiêu.
  ‍
• Các mẫu âm tính: Các vùng không có đối tượng.

Các bộ phân loại học cách phân biệt giữa các mẫu này. Hồi quy hộp giới hạn (Bounding box regression) tiếp tục tinh chỉnh vị trí và kích thước của các đối tượng được phát hiện bằng cách điều chỉnh các hộp giới hạn được đề xuất ban đầu để phù hợp hơn với ranh giới đối tượng thực tế. Mô hình R-CNN có thể xác định và định vị chính xác các đối tượng bằng cách kết hợp phân loại và hồi quy hộp giới hạn.

‍

Tổng hợp lại: Tinh chỉnh phát hiện với NMS

Sau các bước phân loại và hồi quy hộp giới hạn, mô hình thường tạo ra nhiều hộp giới hạn chồng chéo cho cùng một đối tượng. Non-Maximum Suppression (NMS) được áp dụng để tinh chỉnh các phát hiện này, giữ lại các hộp chính xác nhất. Mô hình loại bỏ các hộp dư thừa và chồng chéo bằng cách áp dụng NMS và chỉ giữ lại các phát hiện tự tin nhất. 

NMS hoạt động bằng cách đánh giá điểm tin cậy (cho biết khả năng một đối tượng được phát hiện thực sự có mặt) của tất cả các hộp giới hạn và loại bỏ những hộp có độ chồng lấp đáng kể với các hộp có điểm số cao hơn. 

‍

‍

‍

Sau đây là phân tích các bước trong NMS:

• Sắp xếp: Các hộp giới hạn được sắp xếp theo điểm tin cậy của chúng theo thứ tự giảm dần.
  ‍
• Lựa chọn: Hộp có điểm số cao nhất được chọn và tất cả các hộp chồng lên nhau đáng kể (dựa trên Intersection over Union, IoU) với nó sẽ bị loại bỏ.
  ‍
• Vòng lặp: Quá trình này lặp lại cho hộp có điểm số cao nhất tiếp theo và tiếp tục cho đến khi tất cả các hộp đã được xử lý.

Để kết hợp tất cả lại với nhau, mô hình R-CNN phát hiện các đối tượng bằng cách tạo ra các đề xuất vùng, trích xuất các đặc trưng bằng CNN, phân loại các đối tượng và tinh chỉnh vị trí của chúng bằng hồi quy hộp giới hạn, đồng thời sử dụng Non-Maximum Suppression (NMS) chỉ giữ lại các phát hiện chính xác nhất.

R-CNN là một cột mốc quan trọng trong nhận diện đối tượng

R-CNN là một mô hình mang tính bước ngoặt trong lịch sử nhận diện đối tượng vì nó giới thiệu một phương pháp mới giúp cải thiện đáng kể độ chính xác và hiệu suất. Trước R-CNN, các mô hình nhận diện đối tượng phải vật lộn để 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 xác định chính xác các đối tượng trong ảnh. 

R-CNN đã mở đường cho các mô hình như Fast R-CNN, Faster R-CNN và Mask R-CNN, giúp nâng cao hơn nữa hiệu quả và độ chính xác. Bằng cách kết hợp học sâu với phân tích dựa trên vùng, R-CNN đã thiết lập một tiêu chuẩn mới trong lĩnh vực này và mở ra những khả năng cho các ứng dụng thực tế khác nhau.

Chuyển đổi hình ảnh y tế với R-CNN

Một trường hợp sử dụng thú vị của R-CNN là trong chẩn đoán hình ảnh y tế (medical imaging). Các mô hình R-CNN đã được sử dụng để phát hiện và phân loại các loại khối u khác nhau, chẳng hạn như u não (brain tumors), trong các ảnh chụp y tế như MRI và CT. Sử dụng mô hình R-CNN trong chẩn đoán hình ảnh y tế cải thiện độ chính xác chẩn đoán và giúp các bác sĩ радиологи (radiologists) xác định các khối u ác tính ở giai đoạn sớm. Khả năng phát hiện ngay cả những khối u nhỏ và ở giai đoạn sớm của R-CNN có thể tạo ra sự khác biệt đáng kể trong việc điều trị và tiên lượng các bệnh như ung thư.

Ngoài việc phát hiện khối u, mô hình R-CNN còn có thể được áp dụng cho các tác vụ chụp ảnh y tế khác. Ví dụ: nó có thể xác định gãy xương, phát hiện bệnh võng mạc trong ảnh chụp mắt và phân tích ảnh phổi để tìm các bệnh như viêm phổi và COVID-19. Bất kể vấn đề y tế là gì, việc phát hiện sớm có thể dẫn đến kết quả điều trị tốt hơn. 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 tế. Với việc phát hiện đối tượng giúp hợp lý hóa quy trình chẩn đoán, bệnh nhân có thể hưởng lợi từ các kế hoạch điều trị kịp thời và chính xác.

Những hạn chế của R-CNN và các phiên bản kế nhiệm

Mặc dù ấn tượng, R-CNN có một số nhược điểm nhất định, chẳng hạn như độ phức tạp tính toán cao và thời gian suy luận chậm. Những nhược điểm này làm cho mô hình R-CNN không phù hợp với các ứng dụng thời gian thực. Việc tách các đề xuất vùng và phân loại thành các bước riêng biệt có thể dẫn đến hiệu suất kém hiệu quả hơn.

Trong những năm qua, nhiều mô hình phát hiện đối tượng khác nhau đã ra đời để giải quyết những lo ngại này. Fast R-CNN kết hợp các đề xuất vùng và trích xuất đặc trưng CNN thành một bước duy nhất, giúp tăng tốc quá trình. Faster R-CNN giới thiệu Mạng đề xuất vùng (RPN) để hợp lý hóa việc tạo đề xuất, trong khi Mask R-CNN thêm phân đoạn cấp pixel để phát hiện chi tiết hơn.

‍

Cùng thời điểm với Faster R-CNN, dòng YOLO (You Only Look Once) bắt đầu thúc đẩy việc phát hiện đối tượng theo thời gian thực. Các mô hình YOLO dự đoán các hộp giới hạn và xác suất lớp chỉ trong một lần duy nhất thông qua mạng. Ví dụ: Ultralytics YOLOv8 cung cấp độ chính xác và tốc độ được cải thiện với các tính năng nâng cao cho nhiều tác vụ thị giác máy tính.

Những điều cần nhớ

RCNN đã thay đổi cuộc chơi trong thị giác máy tính, cho thấy cách học sâu có thể thay đổi nhận diện đối tượng. Thành công của nó đã truyền cảm hứng cho nhiều ý tưởng mới trong lĩnh vực này. Mặc dù các mô hình mới hơn như Faster R-CNN và YOLO đã xuất hiện để khắc phục những thiếu sót của RCNN, nhưng đóng góp của nó là một cột mốc lớn mà chúng ta cần ghi nhớ.

Khi nghiên cứu tiếp tục, chúng ta sẽ thấy các mô hình phát hiện đối tượng tốt hơn và nhanh hơn nữa. Những tiến bộ này sẽ không chỉ cải thiện cách máy móc hiểu thế giới mà còn dẫn đến tiến bộ trong nhiều ngành công nghiệp. Tương lai của phát hiện đối tượng có vẻ thú vị!

Bạn muốn tiếp tục khám phá về AI? Hãy trở thành một phần của cộng đồng Ultralytics! Khám phá kho lưu trữ GitHub của chúng tôi để xem những đổi mới mới nhất về trí tuệ nhân tạo. Xem các giải pháp AI của chúng tôi trải rộng trên nhiều lĩnh vực như nông nghiệp và sản xuất. Tham gia với chúng tôi để học hỏi và phát triển!