Ứng dụng Machine learning trong nhận diện hình ảnh quả dâu tây

Trong bài viết này, thuật toán Machine learning được ứng dụng để nhận diện hình ảnh quả dâu tây, những kết quả sau đó thông qua ngôn ngữ Python được xử lý thành dữ liệu. Quá trình bắt đầu từ việc trích xuất khung hình dữ liệu gốc, qua các thuật toán hiệu chỉnh để có được hình ảnh có kích thước và tỉ lệ phù hợp.

KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 ỨNG DỤNG MACHINE LEARNING TRONG NHẬN DIỆN HÌNH ẢNH QUẢ DÂU TÂY MACHINE LEARNING APPLICATION IN IDENTIFICATION STRAWBERRY PICTURE Đỗ Bá Quang Huy1, Trần Quang Huy1, Đinh Văn Lực1, Trần Thủy Văn1 DOI: https://doi.org/10.57001/huih5804.2023.058 TĨM TẮT Nhận diện xử lý hình ảnh phân đoạn quan trọng ứng dụng nhiều dự án nhận diện biển số xe, nhận diện khuôn mặt,… Nhận dạng phân loại hình ảnh dựa Machine learning phát triển nhiều ứng dụng năm gần đây, chẳng hạn phân tích hình ảnh y sinh, nhận dạng mục tiêu phương tiện, nhận dạng biểu thức nhận dạng ký tự [9] Trong báo này, thuật toán Machine learning ứng dụng để nhận diện hình ảnh dâu tây, kết sau thơng qua ngôn ngữ Python xử lý thành liệu Quá trình việc trích xuất khung hình liệu gốc, qua thuật tốn hiệu chỉnh để có hình ảnh có kích thước tỉ lệ phù hợp Những hình ảnh đánh giá nhận diện Mahine learing, sau hình ảnh lại nạp lại vào Machine Learning Trong kết xác xử lý thành liệu ngôn ngữ python để tạo sở liệu Qua nhiều lần chạy hình ảnh nhận diện đưa lại vào sở liệu Machine Learning để nâng cao tốc độ tính xác (cao hơn, tốt hơn, thời gian ngắn hơn, hiệu hơn,…) Kết mô phần mềm YOLOv7(chỉ lần quét) môi trường colab với sở liệu ảnh chứng minh tính hiệu phương pháp đề xuất [2] Từ khóa: Python, machine learning, dâu tây, nhận diện, YOLOv7 ABSTRACT Image recognition and processing is an important segment that is being applied in many projects such as license plate recognition, face recognition, Image recognition and classification based on developed Machine learning many applications in recent years, such as biomedical image analysis, vehicle target recognition, expression recognition, and character recognition [9] In this paper, a Machine learning algorithm is applied to recognize strawberry images, the results are then processed into data through Python The process starts from extracting the original data frame, through the correction algorithms to get the image with the right size and ratio Those images are evaluated by Mahine learning, then the correct images are fed back into Machine Learning While the exact results are also processed into data in python language to create the database Through more and more runs the correctly recognized images will be fed back into the Machine Learning database to improve speed and accuracy (higher, better, shorter time, more efficient,…) The results are simulated on YOLOv7 software (just scan) in colab environment with image database proving the effectiveness of the proposed method [2] Keywords: Python, machine learning, strawberry, recognition, YOLOv7 Khoa Điện, Trường Đại học Công nghiệp Hà Nội Email: dohuy9379@gmail.com Ngày nhận bài: 22/10/2022 Ngày nhận sửa sau phản biện: 01/02/2023 Ngày chấp nhận đăng: 15/3/2023 * GIỚI THIỆU Machine Learning (học máy) lĩnh vực trí tuệ nhân tạo liên quan đến việc nghiên cứu xây dựng kĩ thuật cho phép hệ thống "học" tự động từ liệu để giải vấn đề cụ thể [1] Hiện nay, với bùng nổ chia sẻ thông tin internet nâng cao chế tạo máy tính có khả xử lý cao, machine learning ứng dụng ngày nhiều cải thiện, đặc biệt có khả dự đoán (dự đoán giá vật liệu, dự toán nhu cầu sử dụng,…) nhận diện (nhận diện chữ viết, nhận diện biển báo, nhận diện vật thể,…) [4] Trong nông nghiệp nay, Machine Learning ứng dụng đặc trưng cho vấn đề nhận diện giống tự nhiên nhận diện để phân loại dựa màu sắc Các phương hướng đa số nhận diện hình ảnh sẵn có dựa vào kho liệu đặc tính [3] Có tổn thất tích lũy lớn bệnh làm giảm suất làm tăng tổn thất kinh tế ngành nông nghiệp Ngành nông nghiệp cần phải trì phát triển từ trở ngại để có lợi nhuận cao [5] Trong báo này, đề xuất nhận diện riêng biệt xác định vị trí dâu tây - loại kinh tế cao ảnh dựa vào ứng dụng Machine Learning ngơn ngữ lập trình Python Nhằm vào đặc tính tự cải thiện Machine Learning độ thích hợp ngơn ngữ lập trình python với đối tượng hình ảnh Máy móc sử dụng thay cho mắt người để đo lường đánh giá [7] Mục tiêu đối tượng giám sát trồng phịng thí nghiệm, cần lược bỏ việc xác định nhầm cỏ, chậu không, hay chết mà khiến máy tăng cơng việc xử lý Ngồi ra, phải xác định mục tiêu để giám sát với vị trí khung hình từ máy quay trực tiếp thời gian thực với độ xác cao Nhận diện dâu tây xây dựng sở liệu bước nhỏ lại thiếu, bước đầu sở nên cần có độ xác cao mà khơng chậm trễ gây ảnh hưởng giai đoạn phía sau Với điểm mạnh tự cải thiện, Machine Learning hoàn toàn phù hợp để nhận diện xây dựng sở liệu giúp hệ thống tối ưu hóa TÀI LIỆU VÀ LÝ THUYẾT 2.1 Tập liệu hình ảnh Kho liệu dùng để huấn luyên hệ thống nhận diện dâu tây, chia thành nhãn: cuống dâu tây 154 Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 59 - Số 2A (3/2023) Website: https://jst-haui.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 (peduncle strawberries), dâu tây chín (ripe strawberriesm), dâu tây chưa chín (unripe strawberries) Kho liệu lớn lên tới khoảng 1000 ảnh cho ba nhãn 2.2 Phát đối tượng Phát đối tượng cơng nghệ máy tính liên quan đến tầm nhìn máy tính xử lý hình ảnh, liên quan đến việc phát trường hợp đối tượng ngữ nghĩa lớp định (như người, tòa nhà xe hơi) hình ảnh video kỹ thuật số [1] Các lĩnh vực nghiên cứu kỹ lưỡng giải việc phát đối tượng bao gồm: phát khuôn mặt phát người Phát đối tượng ứng dụng nhiều lĩnh vực có sử dụng máy tính, bao gồm truy xuất hình ảnh giám sát video 2.3 Machine learning Machine Learning gần với suy diễn thống kê (statistical inference) có khác thuật ngữ [1] Một số ứng dụng cho thực tế cho thấy máy "học" cách phân loại, ví dụ: thư điện tử xem thư rác (spam) hay không tự động xếp thư vào thư mục tương ứng Machine Learning coi phần trí tuệ nhân tạo Thuật tốn Machine Learning xây dựng mơ hình dựa liệu mẫu, gọi liệu huấn luyện, để đưa dự đốn định mà khơng lập trình rõ ràng để làm [2] Nếu phân tích dựa kinh nghiệm số lượng đủ ví dụ trung thực tảng có sẵn phương pháp máy học [6].Các thuật toán học máy sử dụng nhiều ứng dụng khác khó khơng thể phát triển thuật tốn thơng thường để thực nhiệm vụ cần thiết Có nhiều nghiên cứu tối ưu hóa toán học, cung cấp phương pháp, lý thuyết ứng dụng cho lĩnh vực Machine Learning Với tiến khoa học xã hội, cơng nghệ trí tuệ nhân tạo phát triển nhanh chóng người đạt tiến đột phá nghiên cứu học máy [8] Tom Mitchell, giáo sư tiếng Đại học Carnegie Mellon University - CMU định nghĩa cụ thể chuẩn mực sau: "Một chương trình máy tính xem học cách thực thi lớp nhiệm vụ thông qua trải nghiệm, thang đo lực dùng lực mà ta đo thấy lực thực thi chương trình có tiến sau trải qua kinh nghiệm" (máy học) Một trọng tâm khác học máy đạt tính phổ quát (generalization), tính chất chương trình làm việc tốt với liệu mà chưa gặp (unseen data) để dần tự có khả phán đốn định cập nhật thời gian thực với liệu mà gặp 2.4 Yolo V7 Yolo (You Only Look Once) mơ hình dùng để phát hiện, nhận dạng phân loại đối tượng với thời gian thực Yolo tạo từ việc kết hợp convolutional-layers connected-layers Trong đóp convolutional-layers trích xuất feature ảnh, cịn full-connected-layers dự đốn xác suất tọa Website: https://jst-haui.vn độ đối tượng Nhiệm vụ phát đối tượng bao gồm xác định vị trí hình ảnh nơi có đối tượng định, phân loại đối tượng Các phương pháp trước cho việc này, R-CNN biến thể nó, sử dụng đường truyền để thực nhiệm vụ nhiều bước Điều chạy chậm khó để tối ưu hóa, thành phần riêng lẻ phải huấn luyện riêng Cũng cần phải dự đoán xác suất lớp, PR (lớp (i) | đối tượng), điều hịa lưới chứa đối tượng Sau thực việc mã hóa dự đốn, phần lại dễ dàng thực thi XÂY DỰNG MƠ HÌNH THUẬT TỐN NHẬN DIỆN HÌNH ẢNH 3.1 Huấn luyện hệ thống 3.1.1 Xây dựng sở liệu nguồn Tạo hệ sở liệu ban đầu vật thể muốn nhận dạng dâu tây, thực gồm bước: Bước 1: Phân tích điều chỉnh mức độ điểm ảnh liệu đầu vào: - Đầu tiên, huấn luyện trước 20 lớp kết hợp cách sử dụng liệu cạnh tranh lớp 1000 ImageNet, sử dụng kích thước đầu vào 224x224 - Sau đó, tăng độ phân giải đầu vào lên 448x448 - Huấn luyện toàn mạng cho khoảng 135 epochs sử dụng kích thước nhóm 64, động lượng 0,9 phân rã 0,0005 - Đối với vòng lặp đầu tiên, tỷ lệ học tăng chậm từ 0,001 lên 0,01 Huấn luyện cho khoảng 75 vịng lặp sau bắt đầu giảm - Sử dụng phép gia tăng liệu với tỷ lệ chuyển đổi ngẫu nhiên điều chỉnh ngẫu nhiên độ phơi sáng bão hòa [10] Hình Mơ hình biểu diễn phân tích hình ảnh Bước 2: Quét điểm ảnh để xác định vùng điểm bật: Tại hệ thống quét điểm ảnh sau phân vùng liệu đầu vào Sau hệ thống so sánh mật độ điểm ảnh có độ trùng khớp xác định vùng có điểm ảnh bật Bước 3: Định vị vật thể: Hệ thống dựa vào hình ảnh gốc tiến hành định vị vật thể ảnh sau đối chiếu tìm điểm Vol 59 - No 2A (March 2023) ● Journal of SCIENCE & TECHNOLOGY 155 KHOA HỌC CÔNG NGHỆ chung số vật thể trội (ở dâu tây) Trong bước này, cần liệu đầu vào tập hơp ảnh để thực việc huấn luyện P-ISSN 1859-3585 E-ISSN 2615-9619 (FPN) tính trích xuất thiết kế để cải thiện độ xác tốc độ [8] Nó thay trích xuất đặc điểm dò tạo kim tự tháp đồ thị đối tượng chất lượng cao Hình Phân tích khung định vị vật thể Bước 4: Chọn thuộc tính mẫu từ điểm ảnh vùng định vị: Ở bước hệ thống lưu trữ lại thuộc tính đặc trưng chọn để làm tham số quy chiếu, từ đánh giá độ tương đồng dùng cho định vị nhận diện vật thể Với số lượng ảnh sở liệu lớn nhiều góc độ lượng tham số quy chiếu xác định nhiều chi tiết 3.1.2 Xử lý đầu vào xác định vị trí Đầu vào mơ hình ảnh, mơ hình nhận dạng ảnh có đối tượng hay khơng, sau xác định tọa độ đối tượng ảnh Ảnh đầu vào chia thành thành SS thường 33, 7×7, 9×9, việc chia có ảnh hưởng tới việc mơ hình phát đối tượng Đầu mơ hình ma trận chiều có kích thước SS(5N+M) với số lượng tham số (5×N+M) với N M số lượng khung lớp mà ô biến độc lập Khung giới hạn biến độc lập gồm thành phần (x, y, w, h, prediction) Với (x, y) tọa độ tâm khung giới hạn; w, h chiều rộng chiều cao khung giới hạn; prediction định nghĩa Pr(Object)IOU(pred,truth) Tâm khung giới hạn nằm ô chứa đối tượng, cho dù đối tượng khác trả Vì vậy, việc mà ô chứa hay nhiều tâm khung giới hạn hay đối tượng khơng thể detect được, khí đó, cần phải tăng số lượng chia ảnh lên Trình tự lớp giảm 1x1 lớp tích chập 3x3 lấy cảm hứng từ mơ hình Googlenet (Inception), lớp cuối sử dụng chức kích hoạt tuyến tính Tất lớp khác sử dụng relu rò rỉ (φ(x) = x, x > 0; 0,1x khác) 3.1.3 Mạng lưới nhận diện Sau 32 lần lấy mẫu, ta lấy mẫu ngược với kích thước bước từ để gấp đơi kích thước bảng đặc điểm kết quả, trở thành 16 lần mẫu lấy xuống Tiếp tục lấy mẫu ngược với bước nhảy ta kích thước lần lấy mẫu Từ ta sử dụng chiều sâu để nhận diện Việc phát mục tiêu quy mô khác thách thức, đặc biệt với mục tiêu nhỏ Kim tự tháp mạng đặc tính Hình Cấu trúc mạng lưới kết nối Cấu trúc mạng lưới kết nối gồm tuyến (tuyến trên, tuyến dưới) kết nối ngang Quá trình thực chất trình chuyển tiếp mạng Trích xuất đặc điểm đầu lớp cuối giai đoạn để tạo thành kim tự tháp đặc tính Q trình từ thực cách lấy mẫu lên Trong kết nối ngang để hợp kết lấy mẫu lên bảng đặc điểm có kích thước tạo từ lên Chức nhân chập * giảm số lượng nhân chập mà khơng làm thay đổi kích thước bảng đặc điểm Điều cho phép có thêm thơng tin đặc tính đối tượng có giá trị từ lớp lấy mẫu lên đặc điểm từ bảng đặc điểm trước Các đặc tính hàng đầu hợp với đặc tính lấy mẫu lên lấy mẫu xuống, lớp dự đoán độc lập 3.1.4 Hàm tổn thất (loss function) Phần 1: λ ∑ ∑ (x − x ) + (y − y ) (1) Phương trình (1) tính tốn tổn thất liên quan đến vị trí khung giới hạn biến độc lập (x,y) Ở λ số Hàm tính tốn tổng khung giới hạn (j = B) ô lưới (i = S^2) Trong đó, định nghĩa 1, đối tượng có mặt lưới I khung giới hạn biến độc lập jth "chịu trách nhiệm" cho biến độc lập đó; ngược lại, = Yolo dự đốn nhiều khung giới hạn lưới Vào thời điểm khỏi tạo, có khung giới hạn biến độc lập phải chịu trách nhiệm cho đối tượng Cho biến độc lập “chịu trách nhiệm” cho việc dự đoán đối tượng dựa dự đoán có IOU cao với độ xác sở Các thuật ngữ khác phương trình trở nên dễ hiểu: (x, y) vị trí khung giới hạn dự đốn (x̂, ŷ) vị trí thực tế từ liệu huấn luyện 156 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 59 - Số 2A (3/2023) Website: https://jst-haui.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 Phần 2: - Prediction Y’: Kết dự đoán thu ∑ λ ∑ (√w − w ) + ( h − h ) (2) Phương trình (2) tổn thất liên quan đến chiều rộng / chiều cao khung dự đốn Tương tự phương trình (1), ngoại trừ bậc hai Số liệu lỗi phản ánh độ lệch nhỏ khung lớn có vấn đề khung nhỏ, đó, bậc hai chiều rộng chiều cao khung bị giới hạn thay chiều rộng chiều cao trực tiếp - True Target Y: Mơ hình mẫu từ kết huấn luyện - Weights 1: Trọng số khởi tạo ngẫu nhiên - Weights 2: Trọng số tinh chỉnh - Optimizer: Chương trình tối ưu hóa trọng số - Loss function: Hàm tổn thất - Loss score: Kết tổn thất Phần 3: ∑ ∑ +λ C −C ∑ ∑ (C − C ) (3) Tính tốn tổn thất liên quan đến điểm tin cậy cho khung giới hạn biến độc lập thể (3) C độ tin cậy Ĉ tương giao qua kết hợp khung giới hạn biến độc lập với độ xác sở Giá trị obj có đối tượng ơ, khơng Riêng noobj ngược lại Tham số λ xuất phần dùng cho phần có trọng số khác hàm tổn thất Điều cần thiết để tăng ổn định mơ hình Bù lỗi cao cho phép cho dự đoán tọa độ (λcoord) thấp cho dự đốn tin cậy khơng có đối tượng (λnoobj) Để tránh liệu nhận diện sai lệch lớn so với đầu vào thực nghiệm thực tế, cần thiết lập λcoord = λnoobj = 0,5 Phần 4: ∑ Hình Lưu đồ thuật tốn nhận diện hình ảnh KẾT QUẢ THỰC NGHIỆM VÀ PHÂN TÍCH ∑ ∈ (p (c) − p (c)) (4) Để phân loại, (4) tương tự lỗi tổng bình phương bình thường, ngoại trừ số hạng obj Số hạng sử dụng, khơng bù lỗi phân loại khơng có đối tượng (do xác suất lớp có điều kiện) : Một hàm báo việc liệu I có chứa đối tượng hay không 4.1 Môi trường thử nghiệm Colab google: colaboratory, hay "colab" sản phẩm Google Research Colab cho phép viết thực mã Python tùy ý thơng qua trình duyệt đặc biệt phù hợp với học máy, phân tích liệu giáo dục Về mặt kỹ thuật, Colab dịch vụ Notebook Jupyter lưu trữ mà không cần thiết lập để sử dụng, đồng thời cung cấp quyền truy cập miễn phí cho tài ngun điện tốn bao gồm GPU : Nó cho biết hộp giới hạn thứ J I "chịu trách nhiệm" cho dự đốn đối tượng C : Điểm tin cậy CELL I, PR (chứa đối tượng) * iou (pre, thật) C : Điểm tin cậy dự đoán C: Tập hợp tất lớp p (c): Xác suất có điều kiện liệu tế bào I có chứa đối tượng lớp C∈C hay không p (c): Xác suất lớp có điều kiện dự đốn 3.2 Lưu đồ thuật tốn nhận diện hình ảnh - Layer (data transformation): Lớp chuyển đổi liệu khởi tạo - Layer (data transformation): Lớp chuyển đổi liệu sau tinh chỉnh trọng số Website: https://jst-haui.vn Hình Màn hình chào COLAB 4.2 Phần mềm YOLOv7 Hình ảnh phần mềm hình Vol 59 - No 2A (March 2023) ● Journal of SCIENCE & TECHNOLOGY 157 KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 Bước 2: Lấy ảnh chứa vật thể cần nhận diện file test_img để đưa vào xử lí nhận diện khoanh vùng đối tượng tính tốn xác suất Kết lưu vào đường dẫn runs/detect Cùng với đưa thời gian xử lí ảnh Hình Màn hình khởi động phần mềm YOLO 4.3 Đối tượng Một số hình ảnh thu thập hình 7, Hình 10 Màn thơng báo khoanh vùng đối tượng tính tốn tỉ lệ tin cậy thành cơng Bước 3: Hiển thị kết lên hình từ file có đường dẫn runs/detect/exp12 Hình Hình chùm dâu tây Hình 11 Thơng báo hiển thị kết thành cơng Hình Hình ảnh dâu tây vườn 4.4 Các bước tiến hành 4.5 Kết Xác định vị trí tốt, kể với thời gian thực, tỉ lệ phát cao thể hình 12, 13 bảng Bước 1: Công cụ tự động download ảnh chứa vật thể lưu vào đường dẫn: drive/MyDrive/YOLOv7/yolov7/test_img Hình 12 Kết cho chùm dâu tây cạnh Hình Màn hình thơng báo lấy thành cơng ảnh Mơ hình nhận diện hình ảnh với độ xác lên tới 88% với vật thể rõ nét Với hình ảnh nhiều 158 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 59 - Số 2A (3/2023) Website: https://jst-haui.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 vật thể mơ hình cho khả nhận diện độ xác cao lên đến 75% Hình 13 Kết cho với nhận diện chùm dâu tây Bảng Tỷ lệ % vật thể nhận diện Tỷ lệ nhận dạng Tỷ lệ nhận xanh dạng chín [4] Jiheng Liu, Zwmin Zhou, Xinwu Zeng, 2019 Research on Multi-Static Active Sonar Taget Recognition Based on Machine Learning IEEE [5] N Gobalakrishnan, K Pradeep, C J Raman, L Javid Ali, M P Gopinath, 2020 A Systematic Review on Image Processing and Machine Learning Techniques for Detecting Plant Diseases India: IEEE [6] G Becker, 2007 Combining Rule-based and Machine Learning Approaches for Shape IEEE [7] Pengfei Liu, Weifeng Zhang, Jingfeng Qiu, Qiaoyi Hu, Kejing He, 2019 Reagent Color Recognition Model for Android Platform Based on OPENCV and Machine Learning IEEE [8] Y Zhang, 20200 Research on Artifical Intelligence Machine Learning Character Recognitin Based on Online Machine Learning Method IEEE [9] Beibei Zhu, Lei Yang, Xiaoyu Wu, Tianchu Guo, 2015 Automatic Recognition of Books Based on Machine Learning IEEE [10] Harishwaran HariHaran, Andreas Koschan, Besma Abidi, Andrei Gribok, Mongi Abidi, 2006 Fusion of Visible and Infrared Images Using Empirical Mode Decomposition to Improve Face Recognition IEEE TT Đặc điểm hình ảnh Tỷ lệ nhận dạng cuống Dạng chùm 45% - 60% 40% - 75% 45% - 64% AUTHORS INFORMATION Dạng đơn 60% - 80% 70% - 88% 40% - 69% Tại vườn 48% - 62% 40% - 70% 42% - 60% Do Ba Quang Huy, Tran Quang Huy, Dinh Van Luc, Tran Thuy Van Faculty of Electrical Engineering, Hanoi University of Industry KẾT LUẬN Bài báo đề xuất phương pháp ứng dụng thuật tốn Machine Learning để nhận dạng hình ảnh dâu tây Bộ liệu xử lý việc đưa hình ảnh thành dạng ma trận ngơn ngữ Python Thơng qua Machine Learning thuật tốn tính toán điều chỉnh để đưa độ tin cậy giúp nhận diện với hình ảnh theo thời gian thực, nhận diện nhanh có độ xác cao đối tượng thêm vào giúp cho tương thích với hình ảnh giám sát thực tế để giám sát đối tượng với tần suất cao tự động trích suất ảnh thêm vào kho liệu Bên cạnh có vấn đề cần giải thêm độ chưa nhận diện chi tiết vật thể có vật thể tương tự khung hình Để khắc phục vấn đề tương lai, nhóm nghiên cứu gia tăng sở liệu thêm sở liệu loại tương tự để khắc phục vấn đề TÀI LIỆU THAM KHẢO [1] Panos Louridas, Christof Ebert, 2016 Machine Learning IEEE Sortware [2] Htet Aung, Alexander V Bobkov, Nyan Lin Tun, 2021 Face Detection in Real Time Live Video Using Yolo Algorithm Based on Vgg16 Convolutional Neutral Network IEEE [3] Stamatia Dasiopoulou, Vasileios Mezaris, Ioannis Kompatsiaris, Vasileios-Kyriakos Papastathis, 2005 Knowledge-Assisted Semantic Video Object Detection IEEE Website: https://jst-haui.vn Vol 59 - No 2A (March 2023) ● Journal of SCIENCE & TECHNOLOGY 159