Computer Vision & Image Processing Applications

Object Detection xác định vị trí và loại của các vật thể trong ảnh bằng cách vẽ một hộp bao (bounding box) quanh chúng. Image Segmentation đi sâu hơn, phân loại từng pixel trong ảnh vào một lớp đối tượng cụ thể, tạo ra một "mặt nạ" chính xác cho vật thể thay vì chỉ là hộp bao.

DICOM không chỉ là một định dạng ảnh, mà là một tiêu chuẩn lưu trữ và truyền tải thông tin y tế. Mỗi file DICOM chứa cả dữ liệu hình ảnh (ví dụ: ảnh X-quang) và siêu dữ liệu quan trọng về bệnh nhân, thiết bị chụp, v.v. Việc xử lý cần đảm bảo tính toàn vẹn của cả hai loại thông tin này và tuân thủ các quy định nghiêm ngặt về bảo mật y tế.

U-Net là một kiến trúc mạng CNN có hình dạng chữ U. Nó bao gồm một đường đi xuống (encoder) để nắm bắt ngữ cảnh và một đường đi lên (decoder) đối xứng để cho phép bản địa hóa chính xác. Kiến trúc này rất hiệu quả trong việc phân đoạn ảnh y tế vì nó hoạt động tốt ngay cả với tập dữ liệu tương đối nhỏ và cho ra kết quả phân đoạn rất chính xác.

Để triển khai trên các thiết bị có tài nguyên hạn chế, các mô hình cần được tối ưu hóa. Các kỹ thuật phổ biến bao gồm: lượng tử hóa (quantization - giảm độ chính xác của các con số), cắt tỉa (pruning - loại bỏ các kết nối không quan trọng trong mạng), và sử dụng các kiến trúc mạng nhẹ được thiết kế riêng cho di động như MobileNet hoặc EfficientNet-Lite.

Data Augmentation là kỹ thuật tạo ra các dữ liệu huấn luyện mới từ dữ liệu hiện có bằng cách áp dụng các phép biến đổi như xoay, lật, cắt, thay đổi độ sáng, màu sắc... Kỹ thuật này giúp làm tăng sự đa dạng của tập dữ liệu, giúp mô hình khái quát hóa tốt hơn và chống lại overfitting.

Đây là một họ các thuật toán phát hiện đối tượng. R-CNN đề xuất các vùng có khả năng chứa vật thể rồi mới dùng CNN để phân loại. Fast R-CNN cải tiến bằng cách đưa toàn bộ ảnh vào CNN một lần duy nhất. Faster R-CNN đi thêm một bước nữa bằng cách tích hợp việc đề xuất vùng ngay vào trong mạng neural (Region Proposal Network), giúp tăng tốc độ đáng kể.

Hệ thống nhận dạng khuôn mặt thường hoạt động theo hai bước. Đầu tiên, nó phát hiện khuôn mặt trong ảnh. Sau đó, nó trích xuất các đặc trưng độc nhất của khuôn mặt đó (ví dụ: khoảng cách giữa hai mắt, hình dạng mũi) thành một vector số gọi là "face embedding". Vector này sau đó được so sánh với các vector trong cơ sở dữ liệu để tìm ra người tương ứng.

OpenCV (Open Source Computer Vision Library) là một thư viện mã nguồn mở khổng lồ chứa hàng ngàn thuật toán xử lý ảnh và thị giác máy tính. Nó cung cấp các công cụ từ cơ bản (đọc/ghi ảnh, vẽ hình) đến phức tạp (phát hiện đối tượng, theo dõi chuyển động) và là công cụ không thể thiếu cho bất kỳ ai làm việc trong lĩnh vực này.

Cả hai đều phân loại từng pixel. Tuy nhiên, Semantic Segmentation chỉ quan tâm đến loại đối tượng (ví dụ: tất cả các con mèo trong ảnh đều có cùng một màu). Instance Segmentation đi xa hơn, nó phân biệt được các thực thể khác nhau của cùng một loại đối tượng (ví dụ: con mèo số 1 có màu xanh, con mèo số 2 có màu đỏ).

Các chỉ số phổ biến bao gồm Precision (độ chính xác - trong số các dự đoán, bao nhiêu là đúng) và Recall (độ bao phủ - trong số các vật thể thực tế, mô hình tìm thấy được bao nhiêu). Mean Average Precision (mAP) là một chỉ số tổng hợp thường được sử dụng, nó tính toán giá trị trung bình của Average Precision trên tất cả các lớp đối tượng và các ngưỡng IoU (Intersection over Union) khác nhau.