Một phương pháp tra cứu ảnh hiệu quả kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp

Bài viết Một phương pháp tra cứu ảnh hiệu quả kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp đề xuất sử dụng đặc trưng kết hợp các đặc trưng mức thấp và DFE để tận dụng cả các đặc điểm của đặc trưng mức thấp và DFE. Các thử nghiệm đã được tiến hành đã chứng minh tính hiệu quả của các đặc trưng được đề xuất khi làm tăng đáng kể kết quả đánh hạng của EMR. Mời các bạn cùng tham khảo!

Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) MỘT PHƯƠNG PHÁP TRA CỨU ẢNH HIỆU QUẢ KẾT HỢP ĐẶC TRƯNG MỨC THẤP VÀ ĐẶC TRƯNG HỌC SÂU NHÚNG VỚI ĐÁNH HẠNG ĐA TẠP Hồng Văn Q*1, Nguyễn Thế Cường1, Ngơ Hoàng Huy2, Trần Văn Huy1, Hoàng Xuân Trung3, Nguyễn Văn Đoàn4, Nguyễn Văn Quyền5 Trường Đại học Hồng Đức Trường Đại học CMC Trường Đại học Kinh doanh công nghệ Trường Đại học Điện Lực Trường Đại học Hải Phòng Email: hoangvanquy@hdu.edu.vn, nguyenthecuong@hdu.edu.vn, tranlehuy@hdu.edu.vn, nhhuy@cmc-u.edu, trungvnit@gmail.com, doannv@epu.edu.vn, quyennv@dhhp.edu.vn điểm có giá trị xếp hạng lớn Để tăng hiệu tính tốn EMR sử dụng điểm neo thay cho việc Abstract — Trong CBIR, ảnh biểu diễn nhiều đặc trưng mức thấp mô tả đặc điểm màu sắc, kết cấu hình dạng hình ảnh Sự thành công đặc trưng học sâu nhúng (DFE), dựa kiến trúc học sâu để trích xuất tính từ liệu có tính nhúng có tính phân biệt cao đặc trưng mức thấp Ưu điểm đặc trưng mức thấp bất biến theo tỷ lệ dễ tính tốn mà không cần học, DFE cung cấp khả phân biệt cao Để nâng cao hiệu truy xuất ảnh dựa đánh hạng đa tạp EMR, báo này, đề xuất sử dụng đặc trưng kết hợp đặc trưng mức thấp DFE để tận dụng đặc điểm đặc trưng mức thấp DFE Các thử nghiệm tiến hành chứng minh tính hiệu đặc trưng đề xuất làm tăng đáng kể kết đánh hạng EMR Keywords — Big data, EMR, K-means, FCM, CBIR, Deep feature embedding (DFE), Resnet50 xét toàn tập liệu ảnh Các điểm neo xác định tâm cụm thu sau sử dụng thuật toán phân cụm K-means tập liệu gốc Trong báo đề xuất phương pháp xác định điểm neo để tăng hiệu thuật toán đánh hạng đa tạp EMR thuật toán phân cụm mờ C- means (FCM) cải tiến Thuật tốn đề xuất phân cụm hiệu số cụm lớn (có thể lên đến 10% 20% số phần từ tập liệu) Phần lại báo tổ chức sau Phần 2, số nghiên cứu liên Phần đề xuất thuật I GIỚI THIỆU toán xác định điểm neo theo tiếp cận phân cụm sử dụng thuật toán FCM thuật toán EMR cải tiến Độ đo đánh hạng đa tạp [1,2,3,4,5] đo độ tương tự ảnh sử dụng rộng rãi CBIR Với CBIR Các kết thực nghiệm đưa giả định điểm liệu không gian đặc trưng có mối quan hệ với điểm liệu phần Kết luận hướng nghiên cứu trình bày phần khác tương tự khơng gian, thuật tốn trước hết xây dựng đồ thị có trọng số cho tất điểm II NGHIÊN CỨU LIÊN QUAN liệu không gian đặc trưng cạnh gán trọng số để biểu diễn mối liên quan liệu 2.1 Thuật toán đánh hạng đa tạp EMR Một bước quan trọng thuật toán EMR [1] xác định giá trị thứ hạng tương tự ảnh CSDL hai điểm Đầu tiên, điểm liệu truy vấn ban đầu gán giá trị định, điểm liệu cịn lại có liên quan gán giá trị Thứ hai, tất điểm với ảnh truy vấn sử dụng độ đo đa tạp cho vector ảnh neo thay tồn sở liệu ảnh liệu lan truyền xếp hạng chúng đến điểm liệu bên cạnh thông qua trọng số cạnh Quá Trong thuật toán EMR quan hệ kề hai vector ảnh xây dựng dựa điểm neo (anchor) thay dựa quan hệ s-láng giềng trình lan truyền điểm số xếp hạng lặp lặp lại hội tụ tới tình trạng ổn định tồn cục vector ảnh, nghĩa Ei gọi nối với Ej i≠j tồn điểm neo chung Ac cho Ac s- Các điểm thức xếp hạng đại diện cho việc giống điểm liệu điểm truy vấn Các điểm liệu tương tự điểm truy vấn ISBN 978-604-80-7468-5 láng giềng Ei Ej; 100 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Với vector ảnh Ei ký hiệu: N b ( i , s )  n b est ( E i , Al , s ); d ( E i , A i ) i N b ( i , s ) d s  m ax điểm tâm cụm điểm neo Qua thực nghiệm thấy số cụm C chọn khơng đủ lớn EMR cho kết sai lệch nhiều Vì chúng tơi đề xuất thuật toán phân cụm dựa FCM thay cho (1) thuật toán K-means để chọn điểm neo 3  (1  t ) if t  K (t )   0 otherwise 2.2 Đặc trưng học sâu nhúng (DFE) ảnh Các đặc trưng ảnh chia thành đặc trưng mức thấp mức cao, đặc trưng mức thấp chứa đặc điểm hình ảnh, màu sắc, kết Với Nbest(i) vector thứ i Nbest vector gần Ac d(Ei, Ai) – khoảng cách vector A, cấu, hình dạng, đặc trưng mức cao hình ảnh mang nhiều ngữ nghĩa lại B có kích thước làm giảm chi tiết màu sắc kết cấu Để cải thiện độ xác, tác giả [16, 17] đề xuất phương Độ đo đa tạp xây dựng nhờ giải hàm mục tiêu sau:  rj ri   wij  1i Dii D jj EMR(r ; Q)   , j n1  n1     ri  r0,i i 1          pháp tổng hợp tuyến tính có trọng số đặc trưng mức cao mức thấp Phương pháp tổng hợp nhằm mục đích lấy điểm trung bình khơng tập (2) trung vào phân tích điểm yếu loại đặc trưng để chọn thứ hạng phù hợp Do đó, độ xác , Q tập ảnh truy vấn, (để thuận tiện trung bình tăng, có kết so với việc sử dụng loại đặc trưng cho truy gán: En+1 = Q) r0,n+1 = 1, r0,i =0, = 1, vấn Z=  zki 1 k C ,1i  n 1  E ,A  K i k   ds  zki   E ,A  K i l   lNB ( i , s )  ds  k  Nb(i,s), z ki  0k  Nb(i,s) W=  w ij  1 i , j  n 1 wij   ,W  Z Z , def kNb ( i , s )  Nb (j, s ) T Đối với đặc trưng học sâu nhúng (DFE) [16, 17, 18, 19] trình bày phân tích thử nghiệm (3) liệu ImageNet, từ tác giả hai biểu diễn đặc trưng fc4096a fc4096b, trích xuất từ mạng Resnet50, có tính khái qt tốt khả đặc trưng khác CNN mang lại hiệu suất cao Tuy nhiên, đặc trưng học sâu nhúng DFE (4) không sử dụng rộng rãi mơ hình đào tạo trước phân loại hình ảnh lớp cuối cùng, zki * zkj ,  i, j  n  def n 1 Dii   wij đối tượng xác định trước xác định ResNet (Residual Network) sử dụng có (5) hiệu việc tra cứu ảnh Có nhiều biến thể kiến trúc ResNet với số lớp khác ResNet-18, j 1 ResNet-34, ResNet-50, ResNet-101, ResNet-152, với Như trình bày trên, kết đánh hạng mạng ResNet50 đào tạo trước, loại bỏ lớp phân lớp (Classifier – lớp cuối cùng) mạng thuật toán EMR phụ thuộc vào việc chọn số lượng điểm neo C tập điểm neo {A c }Cc1 Trong [1] tác giả ResNet50 trở thành mạng trích xuất đặc trưng ảnh [15, 17] (Hình 1) sử dụng thuật toán phân cụm K-means để chọn ISBN 978-604-80-7468-5 101 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) Hình 1: Mơ hình mạng trích chọn đặc trưng Resnet50 [17] III KỸ THUẬT ĐỀ XUẤT n 3.1 Xác định điểm neo thuật toán FCM Cho trrước sở liệu (CSDL) đặc c  1, C , A c  Trong công thức (9) (10) trên, tất tế tất phần tử điểm ảnh có ảnh hưởng đến trình hiệu chỉnh tâm cụm, (6) i 1 c 1 (10) vector đặc trưng CSDL ảnh tham gia Nhưng C Ei i 1 FCM, xem [7,8,9,10,11]) ta phân cụm E thành C cụm, thuật toán lặp FCM cực tiểu hóa hàm mục tiêu sau: n i 1 n p c ,i  cp,i trưng mức thấp E   Ei 1i  n , sử dụng FCM (về J (A, )   cp Ei  Ac   ,C  , thuật tốn K-means [6] có phần tử gần Ac tham gia vào việc hiệu chỉnh tâm m  dim( Ei ) , 1  i  n độ đo khoảng cách Do đặc điểm trên, chúng tơi đề xuất cải , số p > 1, C  N Euclid, Ei  Ac  m  E j 1 i, j  tiến công thức (9) (10) sau:  Ac, j  ràng buộc             max ,  for i  Nbest ( Ac ; nb)      c ,i    || Ei  Ac ||  m 1       || E  A ||    c ' C c'   i  1iNbest  ( Ac ' )     for i  Nbest ( Ac ; nb)  cho ma trận độ thuộc {µc,i} khơng âm cho sau : C i  1, n,  c ,i  1.0 (7) c 1 Chuẩn hóa lại { c ,i } theo ràng buộc: (8) n c  1, C,  c ,i    c ,i , c=1, C , i  Nbest ( Ac ; nb)  C  c ,i    c ',i  c '1 0 for i  Nbest ( Ac ; nb) i 1 Công thức lặp giải hàm mục tiêu (6) cho sau: c  1, C , i  1, n, c,i  Ei  Ac      i '1 Ei '  Ac  n p 1 Ac   i '1 p c , Nbest (i') ENbest (i') nb  , c  1, C p c , Nbest (i') , µɛ số dương đủ nhỏ nb tham số số vector đặc trưng CSDL 102 (12) nb (9) i '1 ISBN 978-604-80-7468-5 (11) (13) Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) ảnh E gần Vc Nbest(i) vector thứ i nbest vector gần Ac Input: Tập liệu ảnh IQ, Chúng ta có thuật tốn FCM cải tiến để xác định điểm neo sau:  Ac1cC : Điểm neo (Anchor point) Thuật toán Xác định điểm neo FCM (Anchor point using FCM - AuFCM) Input: I i 1in , Tập ảnh truy vấn tìm thuật tốn Output: E   Ei 1i n liệu đặc trưng mức r  ri 1i n , ri  [0,1]i  1, n thứ hạng tương tự với ảnh Q ảnh Ii sở liệu ảnh I thấp, số p > 1, C số điểm neo (C lớn từ 10% đến 20% số ảnh E), Bước 1: (offline) m  dim( Ei ), i  1, n , nb số nbest điểm gần 1.1 Tính đặc trưng mức thấp I i 1in điểm neo Ac, c  1, C , µɛ > L số vòng tập vector đặc trưng mức thấp lặp tối đa I  t ,i 1 t T ,1 i  n Output: Tập điểm neo  Ac 1cC 1.2 Chuẩn hóa vector đặc trưng mức thấp Bước 1: Khởi tạo tâm cụm thuật toán Kmeans: I  t ,i 1 t T ,1 i  n tập vector 1.1: Gọi K-means(E, C) để phân cụm E thành C cụm, thu  Ac 1cC c ,i 1 c  C ,1 i  n c ,i 1 c  C ,1 i  n theo ràng buộc (12) vector đặc trưng  ICi 1in C= norm t ,i 1 t T ,1 i  n IEi 1in tập  Ac1cC theo thuật toán xây dựng đồ thị neo với trọng số wi,j theo thuật toán EMR[1] Bước 3: (online): Đặt J l ( A ,  )  J l  ( A ,  ) (sai số ngưỡng) rQ  ri 1i n1 , ri  0i  1, n, rn1  1.0  Ac1cC xác định thứ hạng Độ phức tạp thuật toán là: O(n*m*C*L + n*m*C2*L*N_best) 3.2 Truy vấn ảnh với EMR dựa AuFCM (EMR(AuFCM) rQ  (rQi )1in tập vector ICi 1in1 thuật toán EMR[1] Bước 4: Trả rQ Độ phức tạp thuật toán EMR-(AuFCM) tương với độ phức tạp thuật toán EMR gốc Thuật toán CBIR dựa EMR – (AuFCM) – Kết hợp đặc trưng mức thấp đặc trưng học sâu nhúng DFE ISBN 978-604-80-7468-5 I i 1in IEi 1in Bước 2: (offline): Tìm điểm neo (Anchor point)  Ac1cC theo công thức (13) Bước 3: Trả chuẩn hóa I  trưng :   2.3: Tính Jl(A, µ) theo cơng thức (6) 2.4 Ra khỏi vòng lặp 1 t T ,1 i  n model Resnet50 1.4 Kết hợp (concatenate) vector đặc   theo cơng thức (11) 2.3: Tính lại tâm cụm norm t ,i tập vector đặc trưng CNN Bước 2: Lặp l  1, L : 2.2: Chuẩn hóa trọng số I  1.3 Trích chọn đặc trưng CNN 1.2: Tính J0(A, µ) theo cơng thức (6) 2.1: Tính ma trận độ thuộc theo thuật toán 3δ-opt [14], 103 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) IV THỰC NGHIỆM Hệ thống truy vấn ảnh đề xuất chúng tơi sau (Hình 2) Hình 4: Một số mẫu tập liệu ảnh VGGFACE2-S 4.1 Trích chọn đặc trưng Trong thử nghiệm, chúng tơi chọn trích xuất tồn đặc trưng mức thấp để mơ tả hình ảnh: Color Moments, LBP, Gabor Wavelets Texture, Edge GIST Tất đặc trưng mức thấp chuẩn hóa phương pháp 3-opt để thành phần vector ảnh nằm phạm vi [-1, 1] vetor với số chiều = 809 ([14]) Đồng thời ảnh đào tạo trước tập ImageNet, hình ảnh liệu chạy qua mơ hình học sâu Resnet50 [15] cắt bỏ lớp cuối cùng, vector đặc trưng với số chiều drf = 4096 (Bảng 2) Bảng Các vector đặc trưng số chiều vector sử dụng: Hình 2: Hệ thống CBIR đề xuất Chúng tiến hành thực nghiệm hai tập liệu logo-2K+ [12] and VGGFACE2-S [13] Các tập liệu tổ chức thành lớp ngữ nghĩa theo cách người nhận thức độ tương tự Mỗi lớp biểu diễn chủ đề ngữ nghĩa khác nhau, ảnh lớp xem liên quan Bảng Các tập liệu ảnh Tập ảnh Số lượng ảnh Số lớp ảnh Logo-2K+ 22725 303 VGGFACE2-S 60000 500 Tập liệu thứ Logo-2K+[12], gồm 22725 hình ảnh logo 303 thương hiệu khác đặt 303 nhóm, với nhóm gồm 75 ảnh thương hiệu Hình số mẫu ảnh tập liệu Tập liệu thứ VGGFACE2-S tập tập liệu hình ảnh để nhận dạng khn mặt VGGFACE2 Nó bao gồm 60000 ảnh chia thành 500 nhóm với nhóm 120 ảnh người (tập liệu lấy ngẫu nhiên từ tập liệu VGGFACE2 với 169396 ảnh 500 lớp [13]) – Hình số mẫu ảnh tập Ảnh tập liệu có kích thước, độ phân giải mầu sắc khác Type of feature Size of feature vectors GCM Color 81 LBP Texture 59 GWT Texture 120 EDH Shape 37 GIST Shape 512 From Feature Resnet50 DFE 4096 Khoảng cách Euclid sử dụng để tính khoảng cách đặc trưng sử dụng để so sánh đặc trưng ảnh truy vấn với đặc trưng ảnh sở liệu 4.2 Các kết luận giải Trong thực ngiệm này, chúng tơi chọn µɛ =10-6, nb = 500 thuật toán FCM đề xuất Để đánh giá khách quan hiệu thuật toán EMR (gốc) EMR-AuFCM đề xuất, sử dụng số tương tự độ đo Average Precision (chúng gọi AP) đề xuất NISTTREC video (TRECVID) [14], AP định nghĩa trung bình giá trị độ xác thu sau Hình 3: Một số mẫu tập liệu ảnh Logo-2K+ ISBN 978-604-80-7468-5 Description 104 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) ảnh liên quan tra cứu Tập ảnh truy vấn Q chọn ngẫu nhiên với số lượng 10% theo chủ đề tập ảnh thử nghiệm Logo-2k+ VGGFACE2-S Với ảnh truy vấn q  Q , sử với sở liệu hình ảnh lớn, hệ thống CBIR trích xuất đặc trưng thấp ảnh pha ngoại tuyến xếp hạng vectơ đặc trưng hình ảnh theo mức độ tương đương với vectơ đặc trưng hình ảnh truy vấn xây dựng cách sử dụng EMRAuFCM pha trực tuyến, thời gian tính tốn khơng bị ảnh hưởng hầu hết mơ-đun tính tốn trích xuất đặc trưng cấp thấp, mô-đun liên quan FCM cải tiến áp dụng cho toàn sở liệu giải giai đoạn ngoại tuyến EMR-AuFCM với đặc trưng mức thấp kết hợp đặc trưng học sâu nhúng DFE cho kết truy vấn tốt so với EMR gốc EMR-AuFCM sử dụng đặc trưng mức thấp Kết thực nghiệm thách thức thúc đẩy chúng tơi thử nghiệm hình ảnh y tế lớn với hàng ngàn hình ảnh thêm vào sở liệu lưu trữ nhiều cách khác VI TÀI LIỆU THAM KHẢO [1] Bin Xu, Jiajun Bu, Chun Chen, Can Wang, Deng Cai and Xiaofei He EMR: A Scalable Graphbased Ranking Model for Content-based Image Retrieval, IEEE transactions on knowledge and data engineering 27, no.1, 102-114 (2015) [2] Wang, M., Fu, W., Hao, S., Tao, D., & Wu, X Scalable Semi-Supervised Learning by Efficient Anchor Graph Regularization IEEE Transactions on Knowledge and Data Engineering 28 (7), 1864–1877 (2016) [3] Liang, S., Markov, I., Ren, Z., & de Rijke M Manifold Learning for Rank Aggregation Proceedings of the 2018 World Wide Web Conference on World Wide Web - WWW ’18 2018 [4] Wu, Y., Wang, X., & Zhang, T Crime Scene Shoeprint Retrieval Using Hybrid Features and Neighboring Images Information, 10 (2), 45 (2019) [5] Shaoyan Sun, Ying Li, Wengang Zhou, Qi Tian c, Houqiang Li Local residual similarity for image re-ranking, Information Sciences 417, 143– 153 (2017) [6] Anil K Jain Data clustering: 50 years beyond K-means, Pattern Recognition Letters 31, 651–666 (2010) [7] J.C Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithm, Plenum Press, 1981 [8] Yang, Miin-Shen, Pei-Yuan Hwang, and De-Hua Chen Fuzzy clusterinsg algorithms for mixed feature variables Fuzzy Sets and Systems 141, no 301-317 (2004) [9] Hanuman Verma, Akshansh Gupta, Dhirendra Kumar A modified intuitionistic fuzzy cmeans algorithm incorporating hesitation degree, Pattern Recognition Letters 122, 45–52 (2019) dụng độ đo tương tự cho EMR EMRAuFCM đề xuất, chọn N = 100 ảnh có độ tương tự cao Giá trị độ xác trung bình tỷ lệ số ảnh liên quan N ảnh trả lại giá trị tương tự với ảnh q Gọi tập phần tử liên quan đến truy vấn q  Q d , d , , d m j  , giá trị AP toàn truy vấn tính tốn sau:  AP(Q)   Q Q mj   N  *100 j 1 (16)  Từ thử nghiệm tập liệu khác (Logo-2k+ VGGFACE2-S), tùy thuộc vào số hình ảnh, lớp hình ảnh hình ảnh lớp việc lựa chọn tham số C (điểm neo – anchor point) khác cho kết khác Và thuật toán đề xuất EMR-AuFCM (EMR sử dụng FCM để chọn điểm neo tâm cụm thu nhận được) cho kết tốt so với thuật toán EMR gốc sử dụng K-means Bảng Kết thực nghiệm tập liệu Logo-2K+ VGGFACE2-S Số điểm neo EMR (với đặc trưng Kết hợp LF DFE) EMRAuFCM (với đặc trưng Kết hợp LF DFE) EMR (với đặc trưng Kết hợp LF DFE) EMR – AuFCM (với đặc trưng Kết hợp LF DFE) 4000 60,2% 86.6 % 63,2% 91.3 % 4500 61,3% 87.4 % 64,2% 91.9 % 5000 62,4% 88.7 % 65,5% 92.6 % 5500 63,1% 89.6 % (*) 66,8% 92.6 % 6000 63,2%(*) 88.7 % 68,6% 93.1% 7000 60,9% 88.4% 68,7%(*) 93.5% (*) Hiệu truy vấn tốt EMR-AuFCM tập dataset (Logo-2k+ VGGFACE2-S) với đặc trưng mức thấp (LF-Low level Feature) 63.2%; 68.7% Hiệu truy vấn trung bình EMRAuFCM tập dataset (Logo-2k+ VGGFACE2-S) với đặc trưng kết hợp mức thấp đặc trưng học sâu nhúng DFE 89.6%; 93.5% (với số cụm C=7000) V KẾT LUẬN Trong báo này, thuật toán FCM cải tiến đề xuất để phân cụm sở liệu lớn cho vectơ nhiều chiều thành nhiều cụm Sau đó, thay sử dụng K-means thơng thường, FCM áp dụng cho bước chọn điểm neo EMR Đối ISBN 978-604-80-7468-5 105 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) [10] Timothy C Havens, James C Bezdek, Christopher Leckie, Lawrence O Hall, and Marimuthu Palaniswami Fuzzy c-Means Algorithms for Very Large Data, IEEE Transactions on Fuzzy systems 20, no.6, December 2012 [11] Kuo-Lung Wu Analysis of parameter selections for fuzzy c-means, Pattern Recognition 45, 407–415 (2012) [12] Dataset [Online] Available: https://drive.google.com/drive/folders/1PTA24UTZ csnzXPN1gmV0_lRg3lMHqwp6 [13] Dataset [Online] http://zeus.robots.ox.ac.uk/vgg_face2/ [14] Trung Hoang Xuan, Tuyet Dao Van, Huy Ngo Hoang, Sergey Ablameyko, Cuong Nguyen Quoc, Quy Hoang Van A Novel Non-Gaussian Feature Normalization Method and its Application in Content Based Image Retrieval Nonlinear Phenomena in Complex Systems 22, no 1, pp – 17 (2019) [15] Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research Deep Residual ISBN 978-604-80-7468-5 Learning for Image Recognition arXiv:1512.03385v1 [cs.CV] 10 Dec 2015 [16] M Tzelepi and A Tefas, Deep convolutional learning for content based image retrieval, Neurocomputing, vol 275, pp 2467-2478, 2018 [17] Agnel Lazar Alappat, Prajwal Nakhate, Sagar Suman, Ambarish Chandurkar, Varad Pimpalkhutea, Tapan Jain,"CBIR using Pre-Trained Neural Networks", arXiv:2110.14455v1 [cs.CV] 27 Oct 202 [18] Chen Huang, Chen Change Loy, Xiaoou Tang, “Local Similarity-Aware Deep Feature Embedding”, arXiv:1610.08904 [cs.CV], NIPS 2016 [19] Wei Chen, Yu Liu, Weiping Wang, Erwin M Bakker, Theodoros Georgiou,Paul Fieguth, Li Liu, and Michael S Lew, “Deep Learning for Instance Retrieval: A Survey”, arXiv:2101.11282v3 [cs.CV] Jan 2022 106 ... otherwise 2.2 Đặc trưng học sâu nhúng (DFE) ảnh Các đặc trưng ảnh chia thành đặc trưng mức thấp mức cao, đặc trưng mức thấp chứa đặc điểm hình ảnh, màu sắc, kết Với Nbest(i) vector thứ i Nbest vector... trích xuất đặc trưng cấp thấp, mơ-đun liên quan FCM cải tiến áp dụng cho toàn sở liệu giải giai đoạn ngoại tuyến EMR-AuFCM với đặc trưng mức thấp kết hợp đặc trưng học sâu nhúng DFE cho kết truy... Bước 4: Trả rQ Độ phức tạp thuật toán EMR-(AuFCM) tương với độ phức tạp thuật toán EMR gốc Thuật toán CBIR dựa EMR – (AuFCM) – Kết hợp đặc trưng mức thấp đặc trưng học sâu nhúng DFE ISBN 978-604-80-7468-5