Xây dựng mô hình Siamese sâu để tăng độ chính xác phát hiện và theo dõi đối tượng đơn cho UAV

Bài viết Xây dựng mô hình Siamese sâu để tăng độ chính xác phát hiện và theo dõi đối tượng đơn cho UAV đề xuất một phương pháp cải tiến mạng Siamese nhằm nâng cao độ chính xác trong phát hiện và theo dõi mục tiêu. Mô hình đề xuất thiết kế một khối chèn dư mới để khắc phục độ lớn của lớp đệm nhằm giảm độ phức tạp của các hàm trọng số. Mô hình đề xuất được đánh giá với tập dữ liệu khoảng 4000 ảnh với 40 mục tiêu khác nhau. Kết quả mô phỏng cho thấy, mô hình đề xuất có độ chính xác và thời gian nhanh hơn so với mạng Siamese kinh điển. Mời các bạn cùng tham khảo!

Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Xây dựng mơ hình Siamese sâu để tăng độ xác phát theo dõi đối tượng đơn cho UAV Phan Đức Huy1, Phạm Minh Nghĩa1, Phan Trọng Hanh1, Nguyễn Tuấn Phong2 Khoa Vô tuyến Điện tử, Học viện Kỹ thuật Quân Viện Kỹ thuật Hải quân, Quân chủng Hải Quân Email: nghiapm2018@mta.edu.vn Dựa ưu điểm mạng SNN thường mang lại kết phân loại tốt so với số mạng học sâu Ngoài ra, SNN thường tập trung vào việc học đặc trưng lớp sâu hơn, đặc trưng giống mục tiêu bố trí gần hơn, nên kết đầu mạng SNN thường có tương đồng liệu đầu vào Abstract— Phát theo dõi mục tiêu đơn nhiệm vụ lĩnh vực thị giác máy tính ứng dụng cho UAV Với phát triển nhanh mạng học sâu, với khả tiếp cận trở nên dễ dàng với liệu lớn mục tiêu đơn, mạng học sâu với cấu trúc Siamese đạt kết tương đối tốt so sánh với phương pháp truyền thống Tuy nhiên, độ xác phát mục tiêu mạng Siamese nhiều hạn chế Bài báo đề xuất phương pháp cải tiến mạng Siamese nhằm nâng cao độ xác phát theo dõi mục tiêu Mơ hình đề xuất thiết kế khối chèn dư để khắc phục độ lớn lớp đệm nhằm giảm độ phức tạp hàm trọng số Mơ hình đề xuất đánh giá với tập liệu khoảng 4000 ảnh với 40 mục tiêu khác Kết mô cho thấy, mơ hình đề xuất có độ xác thời gian nhanh so với mạng Siamese kinh điển Bên cạnh ưu điểm nói trên, mạng SNN có nhược điểm sau: (1) thời gian huấn luyện SNN lâu so với mạng nơ-ron truyền thống SNN tiến hành học theo cặp với nhau; (2) mạng SNN xác suất lớp đầu mà đưa giá trị trọng số đoạn [0,1] thể giống khác liệu đầu vào; giá trị gần liệu đầu vào giống ngược lại Từ ưu điểm nhược điểm SNN ra, xu phát triển SNN thời gian gần ứng dụng tương đối rộng rãi lĩnh vực thị giác máy tính, đặc biệt toán phân loại, nhận dạng đối tượng,… Hơn nữa, mạng Siamese sử dụng để học lần, tức học khái niệm với ví dụ huấn luyện Thơng qua tăng cường liệu nên nhiều trường hợp gọi mạng One - Shot Learning [7-8] Keywords- Mạng Resnet-50, mạng Siamese, Phát mục tiêu đơn, UAV I GIỚI THIỆU Phát theo dõi mục tiêu đơn nhiệm vụ lĩnh vực thị giác máy tính ứng dụng cho UAV [1-2] Trong đó, mạng nơ-ron Siamese (Siamese Neural Network-SNN) mạng tiêu biểu ứng dụng phát theo dõi mục tiêu Mạng SNN mạng nơ-ron nhân tạo sử dụng trọng số làm việc song song hai vector đầu vào khác để tính tốn so sánh vector đầu Các mạng Siamese đề xuất Bromley LeCun để giải vấn đề toán xác minh chữ ký dựa so sánh hình ảnh Sau này, số nhà khoa học nghiên cứu phát triển ứng dụng SNN phát mục tiêu dựa ảnh thu từ UAV [3- 6] Trong báo này, mơ hình mạng SNN cải tiến đề xuất để nâng cao độ xác việc theo dõi mục tiêu Mơ hình SNN đề xuất thu cách lược bỏ bớt đặc trưng mạng ResNet-50 cách thêm lớp Max-pooling khối Crop lớp cuối khối Conv Identity ResNet50 Mạng SNN đề xuất lúc mạng ResNet-50 cải tiến với việc sử dụng khối chèn dư, khối cắt khối lấy mẫu để giảm độ phức tạp tham số, đồng thời cải thiện hiệu suất mạng Bài báo có cấu trúc sau Phần II mô tả tập liệu sử dụng cho đánh giá mơ hình đề xuất Mơ hình tốn học mạng SNN đề xuất trình bày phần III Kết thực nghiệm thảo luận Mạng SNN sử dụng lượng liệu huấn luyện nên vấn đề cân liệu huấn luyện trở nên quan trọng Bên cạnh đó, chế học SNN khác so với phân loại thơng thường nên mạng có khả kết hợp cao với phân loại khác ISBN 978-604-80-7468-5 141 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) trình bày phần IV Kết luận trình bày phần V II xây dựng dựa góc nhìn khác nhằm phù hợp với trình thực nhiệm vụ huấn luyện cho UAV thực tế chiến đấu Việc xây dựng liệu để huấn luyện cho UAV nhận dạng, phân loại mục tiêu để thực hành làm nhiệm vụ cụ thể q trình dài lâu địi hỏi nhiều thời gian Do đó, báo sử dụng tập liệu đơn giản với khoảng 4000 ảnh cho 40 loại mục tiêu cụ thể để mơ q trình hoạt động mạng Siamese cải tiến chưa cải tiến tập liệu Từ đó, chúng tơi thực phân tích số liệu nhằm chứng minh phù hợp cấu trúc mạng SNN đề xuất Quá trình UAV thực nhiệm vụ cụ thể huấn luyện với tập liệu mục tiêu lớn đầy đủ tăng thêm độ xác phát theo dõi mục tiêu Một số đối tượng liệu sử dụng huấn luyện thể Hình MƠ TẢ TẬP DỮ LIỆU Đối tượng tiếp cận báo mục tiêu đơn xuất video UAV Việc lựa chọn mục tiêu đơn yêu cầu nhiệm vụ theo dõi mục tiêu đơn lẻ UAV theo hướng phát triển sử dụng UAV phương tiện tuần tra vũ trang để tiêu diệt mục tiêu ứng dụng quân Mặt khác, việc lựa chọn mục tiêu đơn giúp cho việc xử lý liệu nhanh Bởi vì, liệu mục tiêu lưu trữ trước nhớ đệm thiết bị phần cứng khoang UAVvà phù hợp cho q trình dị tìm phát đối tượng thời gian thực Việc lựa chọn mục tiêu đơn giảm không gian nhớ đệm nhiều việc lưu trữ trước liệu mục tiêu khoang UAV Ngoài ra, số lượng lớn liệu chuẩn mục tiêu đơn tìm kiếm cách dễ dàng hồn tồn miễn phí; xây dựng cách đơn giản theo phương pháp thủ công trình thu thập liệu thực nghiệm bay UAV III A Cơ sở lý thuyết cho xây dựng mạng Siamese cải tiến Do yêu cầu toán phải phát đối tượng điểm mốc, điểm tham chiếu mục tiêu đồ trước cho UAV bay theo quy trình Do vậy, UAV phải xác định, phân loại mục tiêu xác với lượng liệu ảnh hạn chế trở nên quan trọng Chính nên việc xử lý ảnh hệ thống áp dụng mạng Siamese cho hiệu cao Tuy nhiên, mạng Siamese thể giống khác hai liệu đầu vào mà xác suất lớp đầu Chính lý trên, chúng tơi thấy việc kết hợp với mạng ResNet-50 vào mạng Siamese kinh điển mang lại hiệu cao nhận dạng mục tiêu cho UAV [9] Dựa cấu trúc mạng SNN kinh điển, khối mạng mạng SNN kinh điển thay mạng ResNet-50 kết hợp với việc sử dụng thuật toán hàm suy hao ba để so sánh phân loại mục tiêu trinh sát Giá trị hàm suy hao ba sử dụng liệu đầu vào gồm: (1) Giá trị thực mục tiêu(A); (2) giá trị với mục tiêu (P); (3) giá trị sai khác so với mục tiêu (N) Tiêu chí hàm suy hao dựa tiêu chuẩn mà khoảng cách từ A đến P cực tiểu, khoảng cách từ A đến N cực đại suốt q trình huấn luyện mơ hình L( A, P, N )  max(|| f ( A) - f ( P) ||2 - || f ( A) - f ( N ) ||  ,0) (1) Trong  giá trị margin, sử dụng để nhấn mạnh khác biệt hay tương đồng liệu đầu vào; f ( A), f ( P), f ( N ) véc-tơ đặc trưng liệu đầu vào A, P, N tương ứng Phương pháp xử lý liệu SNN cho mục tiêu đơn UAV sau Đầu tiên, thực lựa chọn liệu đầu vào tập gồm liệu Đây tệp liệu đầu vào Hình 1: Một số đối tượng liệu huấn luyện mục tiêu đơn cho UAV Bộ liệu sử dụng báo thiết lập theo phương pháp thủ công từ ảnh chụp dạng mục tiêu đơn xác định cho UAV như: xe tăng, xe bọc thép, đài đa, trạm tên lửa, máy bay, Tập liệu ISBN 978-604-80-7468-5 PHÁT HIỆN MỤC TIÊU ĐƠN CHO UAV DỰA TRÊN MẠNG SNN CẢI TIẾN 142 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) sử dụng liệu thu thập từ ảnh trinh sát trước thực chu trình bay chiến đấu Tiếp theo, ảnh đưa đến mạng SNN để xử lý Đầu mạng liệu hình ảnh đặc trưng mục tiêu Kế tiếp, xác định khoảng cách Euclid đầu mạng theo công thức (2): (2) Dw  Gw (S1 )  Gw (S2 )2 Trong đó, Gw ( ) liệu đầu mạng ResNet-50 Cuối cùng, lựa chọn hàm kích hoạt hàm Sigmoid, hàm vừa áp dụng lên khoảng cách Euclid vừa thực tính tốn để đưa giá trị đoạn [0,1] Nếu giá trị đạt đến mức giá trị tương quan gần với xác định đối tượng lưu sở liệu gắn nhãn cho mục tiêu, cịn khơng tiếp tục xử lý liệu hình ảnh từ camera UAV thu thập Về thực tiễn tiến hành xây dựng mạng sử dụng cấu trúc mạng mạng ResNet50 đưa vào thực thi xuất hiện tượng thực huấn luyện, độ xác tập liệu huấn luyện cao tập liệu kiểm tra lại thấp Hiện tượng gọi khớp (Overfiting) mơ tả Hình Hình 3: Biểu đồ độ xác tập liệu huấn luyện kiểm tra mạng Siamese chưa cải tiến mạng ResNet-50 Hình 4: Biểu đồ tính tốn hàm mát mạng SNN chưa cải tiến Xuất phát từ nguyên nhân trên, mạng SNN cải tiến cách lược bỏ bớt đặc trưng mạng ResNet-50 dựa sử dụng thêm lớp Maxpooling Crop vào cuối khối Conv(block) Identity(block) cuối mạng ResNet-50 Việc bổ sung thêm hai lớp vào hai khối cuối cúng mạng ResNet-50 hiệu rõ rệt so với mạng SNN cũ B Sơ đồ cấu trúc mạng SNN cải tiến Việc thực lược bỏ bớt đặc trưng khối tích chập khối dư mạng ResNet-50 nhằm mục đích để giảm trọng số mạng, từ làm cho mạng SNN phù hợp liệu mục tiêu UAV Trong mơ hình SNN đề xuất, việc lược bỏ đặc trưng thực khối bao gồm khối Conv Identity cải tiến Đối với khối Conv(block) thực thêm lớp Crop Max-pooling, khối Identity(block) thực thêm khối Crop khối Conv(block) mạng ResNet-50 yêu cầu xử lý tính tốn phức tạp hơn, nhiều trọng số so với khối Identity(block) Mặt khác, số lượng khối Conv(block) mạng nhiều so với Hình 2: Hiện tượng khớp Điều xuất lớp mạng ResNet-50 sâu phản ánh phù hợp thấp kiểu mạng tạo Quá trình thử nghiệm tập liệu mục tiêu nhận dạng cho UAV qua 18 chu trình huấn luyện kết trình biểu diễn Hình Từ biểu đồ cho thấy trình huấn luyện nhiều, khoảng cách độ xác tập liệu huấn luyện tập liệu kiểm tra xa Điều phản ánh độ phù hợp kiến trúc mạng tương đối thấp trình huấn luyện tập liệu mục tiêu đơn UAV lựa chọn Dựa Hình 4, ta thấy xây dựng mơ hình mạng SNN với mạng mạng ResNet-50 nguyên hàm mát trình thực nghiệm huấn luyện hội tụ chậm dao động mức định Điều phản ánh độ xác tập liệu huấn luyện hội tụ chậm tới giá trị thực mục tiêu ISBN 978-604-80-7468-5 143 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Identity(block) Các khối cải tiến có sơ đồ Hình Như vậy, áp dụng vào mạng SNN ta có mạng mạng SNN mạng ResNet-50 cải tiến với việc sử dụng khối chèn dư thêm vào lớp Crop Max-pooling để giảm độ phức tạp tham số lớp trọng số cuối để tăng độ xác phát mục tiêu, nâng cao hiệu mạng Để huấn luyện mơ hình, chúng tơi thực sử dụng khối Conv Identity cải tiến vào mạng đề xuất Tuy nhiên, áp dụng vào toàn khối lược bỏ đặc trưng vào mạng, xảy tượng liệu so sánh với thông tin đưa vào ban đầu Điều xảy lớp ResNet-50 sâu làm cho khối khơng phù hợp Chính q trình thực chúng tơi thử cách áp dụng dần khối Conv Identity cải tiến lớp mạng để thực huấn luyện mơ hình dần cải thiện so với chưa cải tiến (Hình 3) Tuy nhiên độ xác kết huấn luyện phù hợp model chưa đạt mong muốn Ngoài ra, việc áp dụng vào tất khối đưa vào mạng làm thông tin liệu so với ảnh gốc lớp cuối mạng số hình ảnh trích xuất thơng tin lớp cuối Qua thử nghiệm cho thấy việc áp dụng hợp lý cho việc cải tiến mà không bị liệu sử dụng khối Conv cải tiến lớp cuối kết hợp với lớp mạng khối Identity cuối cấu trúc mạng ResNet-50 Do đó, cấu trúc cải tiến áp dụng cho 05 khối toàn mạng ResNet-50 để đạt hiệu cao thích hợp cho huấn luyện liệu đối tượng mục tiêu đơn UAV Sơ đồ cấu trúc mạng ResNet-50 cải tiến trình bày Hình Sơ đồ cấu trúc tổng thể toàn mạng Siamese sau cải tiến biểu diễn Hình Hình 5: Cấu trúc khối Conv(block) cải tiến Identity(block) cải tiến Hình 7: Sơ đồ mạng ResNet-50 cải tiến Hình 8: Sơ đồ cấu trúc mạng Siamese sau cải tiến Hình 6: Kết huấn luyện model áp dụng cải tiến tất khối mạng ResNet-50 Hình mơ tả việc áp dụng tất khối Conv Identity cải tiến mạng ResNet-50 huấn luyện với tập liệu Kết cho thấy độ phù hợp ISBN 978-604-80-7468-5 IV KẾT QUẢ Trong phần này, hiệu mơ hình SNN đề xuất đánh giá với tập liệu mô tả phần II Sau tiến hành cải tiến, thực huấn 144 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) luyện mạng SNN cải tiến tập liệu đầu vào so với mạng gốc ban đầu, kết thu với hàm mát hội tụ nhanh nhiều trình huấn luyện với số lượng chu trình Từ biểu đồ hàm mát mạng SNN đề xuất Hình so với hàm mát mạng SNN chưa cải tiến (Hình 4) ta nhận thấy giá trị hàm mát mạng SNN đề xuất hội tụ nhanh nhiều Kết so sánh cho ta thấy mạng SNN đề xuất hội tụ sau chu trình huấn luyện mạng SNN chưa cải tiến phải đến khoảng 15 chu trình huấn luyện dần hội tụ Điều cho thấy chất lượng mạng cải thiện tương đối phù hợp để nhận dạng phân loại đối tượng mục tiêu đơn cho UAV, độ xác nhận dạng mục tiêu đạt giá trị cao cải tiến với độ phức tạp hợp lý Kết thể hình Hình 10 Thực trình huấn luyện với liệu sử dụng liệu xây dựng tay cho loại mục tiêu, điểm mốc đối tượng thường xuất chiến trường trạm rada, tên lửa, trận địa pháo, hỏa lực,… độ xác nhận dạng hình ảnh mạng Siamese cải tiến đạt kết cao so với mạng chưa cải tiến Mặc dù mặt thực tiễn, chưa cải tiến mạng xử lý ảnh phân loại tệp liệu ảnh mục tiêu, song độ xác mạng chưa cải tiến đạt mức 88% so với độ xác 92% mạng cải tiến Để đánh giá hiệu mạng SNN đề xuất việc bám mục tiêu, thực nhúng mạng SNN đề xuất vào mơ hình mạng YOLOv4 để thực nhận dạng bám mục tiêu cho UAV Trong mơ hình mạng YOLOv4 chúng tơi thực nhúng mạng SNN cải tiến vào phần xương sống mạng YOLOv4 Việc huấn luyện để nhận dạng, bám mục tiêu mơ hình YOLO báo ứng dụng thực phiên YOLOv4 Bộ liệu sử dụng thu thập từ internet kết hợp với ảnh chụp thực tế cho đối tượng cụ thể huấn luyện xe tăng Hình 9: Hàm mát mạng SNN đề xuất (a) Hình 10: Biểu đồ độ xác liệu huấn luyện liệu kiểm tra sau mạng SNN đề xuất Khi thực nghiệm huấn luyện SNN đề xuất, giá trị độ xác tập liệu huấn luyện tập liệu kiểm tra đạt kết tương đối gần Đặc biệt tập liệu huấn luyện, kết độ xác gần đạt tới 100% dao động thấp sau khoảng chu trình huấn luyện Độ xác tập liệu kiểm tra đạt mức cao suốt trình huấn luyện (giá trị đạt 84%) Khoảng cách độ xác tập liệu kiểm tra tập liệu huấn luyện mức tương đối đạt khoảng lý tưởng để thực thi mơ hình ISBN 978-604-80-7468-5 (b) Hình 11 Kết nhận dạng xe tăng sau nhúng mạng SNN đề xuất vào YOLOv4 (a) kết dử dụng liệu từ mạng internet (b) kết dử dụng liệu từ UAV thực nghiệm Với đối tượng xe tăng đối tượng đặc thù nên việc tìm kiếm liệu khó khăn hạn chế Sưu tập liệu xe tăng tác giả Antoreepjana [10] İbrahim Can Erdoğan [11] số hình ảnh internet kết hợp với thu thập ảnh xe tăng từ việc lấy liệu đơn vị Lữ đoàn tăng, thuộc Bộ Quốc Phòng 145 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Bên cạnh cịn sử dụng biện pháp tăng cường ảnh để tạo liệu Để bám mục tiêu xe tăng sử dụng mô hình YOLOv4 với xương sống sử dụng SNN đề xuất trước hết phải huấn luyện cho model nhận diện xe tăng Sau sử dụng thuật tốn bám để tiến hành theo vết đối tượng Hình 11 biểu diễn kết nhận dạng bám xe tăng sử dụng mạng SNN đề xuất nhúng vào mô hình YOLOv4 Như sau qua trình huấn luyện mơ hình YOLOv4 phát mục tiêu, đối tượng cho tất đối tượng xuất hình ảnh đồng thời hiển thị gắn nhãn để phân biệt đối tượng Độ xác nhận dạng, bám đối tượng đạt kết tốt tệp liệu huấn luyện Điều thể tính hợp lý mơ hình YOLOv4 với cấu trúc xương sống sử dụng SNN đề xuất Kết nhận dạng bám mục tiêu xe tăng mơ hình YOLOv4 xe tăng quay trực tiếp từ UAV thử nghiệm bảo đảm tốt, thể Hình 12 Hiệu bám mục tiêu xe tăng đảm bảo điều kiện xuất nhiễu sương mù, khói bụi, hàm khơng bị hạn chế khiến cho hiệu suất ngày tốt Để cải thiện tốt hiệu phân loại mục tiêu nâng cao độ xác phát mục tiêu giải phù hợp cấu trúc mạng tập liệu thực tế Bài báo sử dụng mạng Siamese cải tiến đơn giản kiến trúc mạng mạng ResNet-50 có sẵn để theo dõi đối tượng đơn lẻ UAV xác, dễ dàng thiết kế lập trình phần mềm, chạy nhanh cấu hình phần cứng mà đạt hiệu cao Ngoài ra, báo ứng dụng mơ hình YOLOv4 vào việc bám mục tiêu theo thời gian thực Kết thực nghiệm độ xác phát đối tượng xử ảnh cải tiến đạt cao so với mạng cũ để áp dụng vào việc xử lý bay cho UAV TÀI LIỆU THAM KHẢO [1] Martinez-Alpiste, I.; Casaseca-de-la-Higuera, P.; AlcarazCalero, J.; Grecos, C.; Wang, Q “Benchmarking MachineLearning-Based Object Detection on a UAV and Mobile Platform” In Proceedings of the 2019 IEEE Wireless Communications and Networking Conference (WCNC), Marrakesh, Morocco, 15–19 April 2019; [2] [2] Micheal, A Ancy, et al “Object Detection and Tracking with UAV Data Using Deep Learning.” Journal of the Indian Society of Remote Sensing 49.3 (2021): 463-469 [3] Q Guo, W Feng, C Zhou, R Huang, L Wan, and S Wang Learning dynamic Siamese network for visual object tracking In The IEEE International Conference on Computer Vision (ICCV) (Oct 2017), 2017 [4] A He, C Luo, X Tian, and W Zeng At wofold Siamese network for real-time object tracking In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 4834–4843, 2018 [5] B Li, J Yan, W Wu, Z Zhu, and X.Hu High performance visual tracking with Siamese region proposal network In Proceedings o fthe IEEE Conferenceon Computer Vision and Pattern Recognition, pages 8971–8980, 2018 [6] R Tao, E Gavves, and A W Smeulders Siamese instance search for tracking In Proceedings of the IEEE conference on computer vision and pattern recognition, pages1420–1429, 2016 [7] Y Zhang, L Wang, J Qi, D Wang, M Feng, and H.Lu Structured Siamese network for real-time visual tracking In Proceedings of the European Conference on Computer Vision (ECCV), pages 351–366, 2018 [8] Li Fei-Fei, Robert Fergus, and Pietro Perona One-shot learning of object categories Pattern Analysis and Machine Intelligence, IEEE Transactions, pages 594-611, 2006 [9] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun Deep Residual Learning for Image Recognition arXiv:1512.03385v1 [cs.CV] Microsoft Research, 2015 [10] Z Qing, B M Sadler,“A Survey of Dynamic Spectrum Access” IEEE Signal Processing Magazine, vol 24, pp 79-89, 2007 [11] https://www.kaggle.com/antoreepjana/military-tanks-datasetimages [12] https://www.kaggle.com/icanerdogan/war-tank-images-dataset Hình 12 Kết bám mục tiêu xe tăng từ video camera UAV Các kết thể phù hợp mơ hình mạng sau cải tiến tập liệu đối tượng mục tiêu đơn cho UAV huấn luyện model Điều khẳng định trình cải tiến mạng theo hướng lược bỏ đặc trưng áp dụng tập liệu đặc trưng cụ thể sử dụng mạng Siamese với mạng sử dụng ResNet-50 Ngoài việc tránh tượng khớp huấn luyện liệu việc bỏ bớt đặc trưng tăng độ xác q trình huấn luyện model, tăng khả nhận dạng phân biệt mục tiêu V KẾT LUẬN Các mạng Siamese đa phần đáp ứng nhu cầu theo dõi đối tượng thời gian thực môi trường lý tưởng Tuy nhiên, mạng Siamese gần ngày sâu cải tiến mạng ResNet, DenseNet để tăng số lớp xử lý lên nhiều mà số lượng trọng số mạng việc suy giảm đạo ISBN 978-604-80-7468-5 146 ... vết đối tượng Hình 11 biểu diễn kết nhận dạng bám xe tăng sử dụng mạng SNN đề xuất nhúng vào mô hình YOLOv4 Như sau qua trình huấn luyện mơ hình YOLOv4 phát mục tiêu, đối tượng cho tất đối tượng. .. bay UAV III A Cơ sở lý thuyết cho xây dựng mạng Siamese cải tiến Do yêu cầu toán phải phát đối tượng điểm mốc, điểm tham chiếu mục tiêu đồ trước cho UAV bay theo quy trình Do vậy, UAV phải xác. .. trình UAV thực nhiệm vụ cụ thể huấn luyện với tập liệu mục tiêu lớn đầy đủ tăng thêm độ xác phát theo dõi mục tiêu Một số đối tượng liệu sử dụng huấn luyện thể Hình MƠ TẢ TẬP DỮ LIỆU Đối tượng