Feature Extraction

Trích xuất đặc trưng là một quá trình chuyển đổi trong machine learning (ML) nhằm chuyển đổi dữ liệu thô, có số chiều cao thành một tập hợp các thuộc tính hoặc "đặc trưng" mang tính thông tin cao hơn. Dữ liệu đầu vào thô, chẳng hạn như hình ảnh độ phân giải cao, luồng âm thanh hoặc văn bản phi cấu trúc, thường quá cồng kềnh và dư thừa để các thuật toán xử lý hiệu quả. Trích xuất đặc trưng giải quyết vấn đề này bằng cách chắt lọc đầu vào thành các thành phần thiết yếu nhất—bảo tồn thông tin quan trọng cần thiết cho predictive modeling đồng thời loại bỏ nhiễu và chi tiết nền không liên quan. Việc giảm thiểu này đóng vai trò sống còn trong việc giảm thiểu curse of dimensionality, đảm bảo rằng các model duy trì được hiệu quả tính toán và khả năng khái quát hóa tốt đối với dữ liệu mới chưa từng thấy.

Vai trò của Trích xuất đặc trưng trong Deep Learning#

Trong kỷ nguyên thị giác máy tính truyền thống, các chuyên gia dựa vào các kỹ thuật thủ công như Scale-Invariant Feature Transform (SIFT) để xác định các điểm đặc trưng trong hình ảnh. Tuy nhiên, deep learning (DL) hiện đại đã cách mạng hóa quy trình làm việc này bằng cách tự động hóa quá trình khám phá đặc trưng.

Các mạng nơ-ron, cụ thể là Convolutional Neural Networks (CNNs), sử dụng một thành phần kiến trúc chuyên biệt được gọi là backbone để thực hiện trích xuất đặc trưng theo phân cấp. Khi dữ liệu đi qua các lớp của mạng, độ phức tạp của các đặc trưng được trích xuất sẽ tăng lên:

• Lớp nông (Shallow Layers): Các lớp ban đầu này hoạt động như các bộ dò cạnh, xác định các cấu trúc đơn giản, cấp thấp như đường kẻ, góc và độ dốc màu.
• Lớp sâu (Deep Layers): Khi mạng càng sâu, các phần tử đơn giản này được tổng hợp thành các biểu diễn ngữ nghĩa cấp cao, chẳng hạn như hình dạng của phương tiện, khuôn mặt người hoặc các dấu hiệu cụ thể trên động vật.

Các biểu diễn đã học này được lưu trữ trong feature maps, sau đó được chuyển đến một đầu dò (detection head) để thực hiện các tác vụ như object detection hoặc phân loại hình ảnh.

Các ứng dụng trong thực tế#

Trích xuất đặc trưng đóng vai trò là động cơ đằng sau nhiều khả năng AI tiên tiến, chuyển đổi các đầu vào cảm giác thô thành thông tin chi tiết có thể hành động trong nhiều ngành công nghiệp đa dạng.

• Chẩn đoán y tế: Trong lĩnh vực AI in healthcare, các model phân tích hình ảnh y tế phức tạp như quét MRI hoặc CT. Các thuật toán trích xuất đặc trưng tinh vi xác định các điểm bất thường tinh tế về mật độ hoặc kết cấu mô có thể cho thấy các bệnh lý giai đoạn đầu. Bằng cách cô lập các dấu hiệu trực quan quan trọng này, các hệ thống có thể hỗ trợ các bác sĩ X-quang trong tumor detection với độ chính xác và tốc độ cao hơn đáng kể.
• Lái xe tự động: Xe tự lái phụ thuộc vào trích xuất đặc trưng thời gian thực để điều hướng an toàn. Các camera trên xe truyền phát video tới các model computer vision (CV) để trích xuất ngay lập tức các đặc trưng liên quan đến vạch kẻ đường, đèn giao thông và chuyển động của người đi bộ. Khả năng này cho phép autonomous vehicles đưa ra quyết định trong tích tắc trong các môi trường động.
• Xử lý âm thanh: Trong các trợ lý giọng nói, dạng sóng âm thanh thô được chuyển đổi thành biểu đồ phổ (spectrogram). Sau đó, các thuật toán trích xuất các đặc trưng ngữ âm, cao độ và âm sắc, cho phép các hệ thống speech-to-text hiểu được ngôn ngữ nói bất kể điểm nhấn hay tạp âm nền của người nói.

Trích xuất đặc trưng với Ultralytics YOLO#

Các kiến trúc tiên tiến như Ultralytics YOLO26 tích hợp các backbone trích xuất đặc trưng mạnh mẽ trực tiếp vào thiết kế của chúng. Khi bạn chạy suy luận (inference), model sẽ tự động xử lý hình ảnh để trích xuất các đặc trưng liên quan trước khi dự đoán bounding box và nhãn lớp.

Ví dụ sau đây minh họa cách sử dụng một model đã được huấn luyện sẵn để xử lý một hình ảnh. Mặc dù mã nguồn rất đơn giản, nhưng bên trong model đang thực hiện quá trình trích xuất đặc trưng phức tạp để xác định vị trí đối tượng:

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

Đối với các nhóm muốn quản lý các tập dữ liệu được sử dụng để huấn luyện các bộ trích xuất đặc trưng này, Ultralytics Platform cung cấp một giải pháp toàn diện cho việc gán nhãn (annotation), huấn luyện và triển khai.

Phân biệt các thuật ngữ liên quan#

Để nắm bắt đầy đủ quy trình khoa học dữ liệu, việc phân biệt giữa trích xuất đặc trưng và các khái niệm tương tự là rất hữu ích.

• Trích xuất đặc trưng so với Feature Engineering: Mặc dù thường được thảo luận cùng nhau, feature engineering là một thuật ngữ rộng hơn thường ngụ ý một quá trình thủ công trong đó domain knowledge được sử dụng để tạo ra các biến số mới (ví dụ: tính toán "giá trên một feet vuông" từ "giá" và "diện tích"). Trích xuất đặc trưng là một kỹ thuật cụ thể—thường được tự động hóa trong deep learning—dùng để chiếu dữ liệu có số chiều cao (như các pixel) thành một feature vector có số chiều thấp hơn.
• Trích xuất đặc trưng so với Feature Selection: Lựa chọn đặc trưng liên quan đến việc chọn một tập hợp con gồm các đặc trưng hiện có mà không thay đổi chúng, chỉ đơn giản là loại bỏ các đặc trưng ít quan trọng hơn để giảm nhiễu. Ngược lại, trích xuất đặc trưng tạo ra các đặc trưng mới bằng cách biến đổi và kết hợp các điểm dữ liệu ban đầu, chẳng hạn như thông qua Principal Component Analysis (PCA) hoặc trọng số mạng đã học.

Bằng cách nắm vững tính năng trích xuất đặc trưng, các nhà phát triển có thể tận dụng các framework như PyTorch và TensorFlow để xây dựng các model không chỉ chính xác mà còn đủ hiệu quả để triển khai ở biên (edge deployment).