Feature Extraction

Trích xuất đặc trưng là một quá trình biến đổi trong machine learning (ML) giúp chuyển đổi dữ liệu thô, có chiều cao thành một tập hợp các thuộc tính hoặc "đặc trưng" tinh lọc và giàu thông tin. 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 toàn thông tin quan trọng cần thiết cho predictive modeling trong khi loại bỏ nhiễu và các chi tiết nền không liên quan. Việc giảm thiểu này rất quan trọng để giảm bớt curse of dimensionality, đảm bảo các model vẫn duy trì hiệu quả tính toán và có khả năng khái quát hóa tốt với dữ liệu mới, chưa từng thấy.

Link to this sectionVai 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 chính (keypoints) trong hình ảnh. Tuy nhiên, deep learning (DL) hiện đại đã cách mạng hóa quy trình này bằng cách tự động hóa quá trình khám phá đặc trưng.

Các mạng thần kinh, 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 một cách phân cấp. Khi dữ liệu đi qua các lớp 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 phần detection head để thực hiện các tác vụ như object detection hoặc phân loại hình ảnh.

Link to this sectionCác 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 bất thường nhỏ trong mật độ hoặc kết cấu mô có thể chỉ ra 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 bác sĩ chẩn đoán hình ảnh trong việc tumor detection với độ chính xác và tốc độ cao hơn đáng kể.
• Lái xe tự hành: Xe tự lái phụ thuộc vào việc trích xuất đặc trưng theo thời gian thực để di chuyển an toàn. Camera trên xe truyền video đến 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 các autonomous vehicles đưa ra các quyết định trong tích tắc trong các môi trường năng động.
• Xử lý âm thanh: Trong các trợ lý giọng nói, dạng sóng âm thanh thô được chuyển đổi thành phổ đồ (spectrogram). Các thuật toán sau đó trích xuất các đặc trưng ngữ âm, cao độ và âm sắc, cho phép các hệ thống speech-to-text hiểu ngôn ngữ nói bất kể giọng địa phương hoặc tiếng ồn xung quanh của người nói.

Link to this sectionTrích xuất đặc trưng với Ultralytics YOLO#

Các kiến trúc hiện đại như Ultralytics YOLO26 tích hợp các backbone trích xuất đặc trưng mạnh mẽ trực tiếp vào thiết kế của chúng. Khi bạn chạy inference, model sẽ tự động xử lý hình ảnh để trích xuất các đặc trưng liên quan trước khi dự đoán bbox 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 đội ngũ đang tìm cách 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, huấn luyện và triển khai.

Link to this sectionPhân 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 ám chỉ một quy trình thủ công trong đó domain knowledge được sử dụng để tạo ra các biến mới (ví dụ: tính toán "giá mỗi 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—giúp chiếu dữ liệu có chiều cao (như điểm ảnh) thành một feature vector có chiều thấp hơn.
• Trích xuất đặc trưng so với Feature Selection: Feature selection bao gồm việc chọn một tập con các đặc trưng hiện có mà không làm thay đổi chúng, chỉ đơn giản là loại bỏ các đặc trưng kém quan trọng 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 gốc, chẳng hạn như thông qua Principal Component Analysis (PCA) hoặc các trọng số mạng đã học.

Bằng cách làm chủ việc trích xuất đặc trưng, các lập trình viên 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 môi trường edge.