Feature Extraction

Trích xuất đặc trưng là một quy trình mang tính chuyển đổi trong học máy (ML), biến dữ liệu thô có số chiều cao thành một tập hợp tinh gọn gồm các thuộc tính hoặc "đặc trưng" 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 lớn 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 xuống những thành phần thiết yếu nhất—bảo toàn thông tin quan trọng cần thiết cho mô hình hóa dự đoán đồng thời loại bỏ nhiễu và các chi tiết nền không liên quan. Việc giảm chiều này rất quan trọng để giảm thiểu lời nguyền số chiều, đảm bảo các model duy trì hiệu quả tính toán và có khả năng khái quát hóa tốt trên dữ liệu mới, chưa từng thấy.

Vai trò của trích xuất đặc trưng trong học sâu#

Trong kỷ nguyên của thị giác máy tính truyền thống, các chuyên gia dựa vào những kỹ thuật thủ công như Phép biến đổi đặc trưng bất biến theo tỷ lệ (SIFT) để xác định các keypoint trong hình ảnh. Tuy nhiên, học sâu (DL) hiện đại đã cách mạng hóa quy trình này bằng cách tự động hóa việc khám phá đặc trưng.

Mạng neural, cụ thể là Mạng neural tích chập (CNN), sử dụng một thành phần kiến trúc chuyên biệt được gọi là backbone để thực hiện trích xuất đặc trưng theo thứ bậc. Khi dữ liệu đi qua các lớp mạng, độ phức tạp của các đặc trưng được trích xuất tăng lên:

• Các lớp nông: Những lớp ban đầu này hoạt động như các bộ phát hiện biên, xác định các cấu trúc đơn giản, cấp thấp như đường thẳng, góc và gradient màu.
• Các lớp sâu: Khi mạng trở nên sâu hơn, những thành phần đơn giản này được tổng hợp thành các biểu diễn ngữ nghĩa cấp cao, chẳng hạn như hình dạng của một phương tiện, khuôn mặt người hoặc các dấu hiệu đặc trưng của một loài động vật cụ thể.

Các biểu diễn đã học này được lưu trữ trong feature map, sau đó được truyền đến detection head để thực hiện các tác vụ như phát hiện đối tượng hoặc phân loại hình ảnh.

Các ứng dụng trong thực tế#

Trích xuất đặc trưng là động lực đằng sau nhiều khả năng AI tiên tiến, chuyển đổi dữ liệu cảm biến thô thành những thông tin chuyên sâu có thể hành động trong nhiều ngành khác nhau.

• Chẩn đoán y khoa: Trong lĩnh vực AI trong chăm sóc sức khỏe, các model phân tích những hình ảnh y khoa phức tạp như ảnh chụp MRI hoặc CT. Các thuật toán trích xuất đặc trưng tinh vi xác định những bất thường nhỏ trong mật độ hoặc kết cấu mô, có thể là dấu hiệu của các bệnh lý giai đoạn sớm. Bằng cách cô lập những dấu hiệu hình ảnh quan trọng này, các hệ thống có thể hỗ trợ bác sĩ chẩn đoán hình ảnh trong việc phát hiện khối u với độ chính xác và tốc độ cao hơn đáng kể.
• Lái xe tự hành: Xe tự lái phụ thuộc vào hoạt động trích xuất đặc trưng theo thời gian thực để di chuyển an toàn. Camera trên xe truyền video đến các model thị giác máy tính (CV), ngay lập tức trích xuất các đặc trưng liên quan đến vạch kẻ làn đường, đèn giao thông và chuyển động của người đi bộ. Khả năng này cho phép phương tiện tự hành đưa ra quyết định trong tích tắc ở những môi trường biến động.
• Xử lý âm thanh: Trong các trợ lý giọng nói, dạng sóng âm thanh thô được chuyển đổi thành spectrogram. Sau đó, các thuật toán trích xuất đặc trưng ngữ âm, cao độ và âm sắc, cho phép các hệ thống chuyển giọng nói thành văn bản hiểu ngôn ngữ nói bất kể giọng của người nói hoặc nhiễu nền.

Trích xuất đặc trưng với Ultralytics YOLO#

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

Ví dụ sau đây minh họa cách sử dụng một model đã được huấn luyện trước để xử lý hình ảnh. Mặc dù code đơn giản, bên trong model vẫn thực hiện quá trình trích xuất đặc trưng phức tạp để định vị các 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 những dataset 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.

Phân biệt các thuật ngữ liên quan#

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

• Trích xuất đặc trưng so với kỹ thuật đặc trưng: Mặc dù thường được thảo luận cùng nhau, kỹ thuật đặc trưng là một thuật ngữ rộng hơn, thường hàm ý một quy trình thủ công trong đó kiến thức miền được sử dụng để tạo các biến mới (ví dụ: tính "giá mỗi foot vuông" từ "giá" và "diện tích"). Trích xuất đặc trưng là một kỹ thuật cụ thể—thường được tự động hóa trong học sâu—chiếu dữ liệu có số chiều cao (như pixel) vào một vector đặc trưng có số chiều thấp hơn.
• Trích xuất đặc trưng so với lựa chọn đặc trưng: Lựa chọn đặc trưng bao gồm việc chọn một tập con các đặc trưng hiện có mà không thay đổi chúng, chỉ loại bỏ những 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 thông qua Phân tích thành phần chính (PCA) hoặc các trọng số mạng được học.

Bằng cách thành thạo việc trích xuất đặc trưng, các developer có thể tận dụng các framework như PyTorch và TensorFlow để xây dựng các model không chỉ chính xác mà còn đủ hiệu quả cho việc triển khai trên edge.