Nghiên cứu này đề xuất thêm một lớp phân loại Softmax sau VGG16 sẽ cho ra kết quả có độ chính xác cao hơn. Các mô hình học sâu được nghiên cứu ở đây sử dụng cốt lõi Mạng nơ-ron tích chập (CNN) là một trong những mạng tiên tiến nhất trong thị giác máy tính, chứng tỏ được khả năng phân loại hình ảnh một cách hiệu quả.
Lê Minh Hóa ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TỐN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI Lê Minh Hóa Khoa Cơng nghệ thơng tin 2, Học viện Cơng nghệ Bưu Viễn thơng Tóm tắt: Phân loại rác thải toán lớn thị giác máy tính có nhiều hướng tiếp cận đưa giải pháp, hướng sử dụng trí tuệ nhân tạo đạt mức độ hiệu xác đáng kể Trong báo này, thuật toán phân loại học máy định, thuật toán rừng ngẫu nhiên, SVM, PCA mơ hình học sâu tiêu biểu VGG16 nghiên cứu đánh giá so sánh hiệu việc phân loại Nghiên cứu đề xuất thêm lớp phân loại Softmax sau VGG16 cho kết có độ xác cao Các mơ hình học sâu nghiên cứu sử dụng cốt lõi Mạng nơ-ron tích chập (CNN) mạng tiên tiến thị giác máy tính, chứng tỏ khả phân loại hình ảnh cách hiệu Kết từ mơ hình đề xuất cải thiện với độ xác 71.1% so với sử dụng mơ hình CNN truyền thống điều kiện liệu có số lượng mẫu nhỏ Trong tương lai gần, mơ hình học sâu hỗ trợ máy móc việc phân loại rác tự động không cần thiết can thiệp người Từ khóa: CNN, Decision tree, Random forest, PCA, phân loại rác, SVM, VGG16 I GIỚI THIỆU Trong giới đại ngày nay, việc xử lý khối lượng khổng lồ rác thải sinh hoạt ngày trở thành vấn đề cấp bách cho quốc gia Làm để giảm nhẹ tác động rác thải gây ô nhiễm nghiêm trọng tới môi trường câu hỏi thường trực Phân loại rác thải giải pháp cần kíp trước mắt Việc tách ngun vật liệu tái chế khơng đem lại hiệu kinh tế cần tinh lọc lại nguyên liệu đầu vào thay phải khai thác từ nguồn tài nguyên tự nhiên, mà giảm thiểu phần lãng phí lượng việc khai thác Việc phân loại đòi hỏi người tham gia Do đó, gần sử dụng trí tuệ nhân tạo nhằm đẩy mạnh hiệu nhận dạng phân loại tự động rác thải đô thị trở thành nhiều chủ đề nghiên cứu sôi động bảo vệ môi trường sống, ứng dụng thiết thực cho ngành công nghiệp xử lý rác tự học từ liệu Đến đầu năm 90, Breiman, Quinlan cộng đề xuất thuật toán định CART [1], ID3, C4.5 [2]… Cây định phân loại liệu thông qua chuỗi luật, định dự đốn đưa giá trị dựa tình trạng Ở đó, node thuộc tính, nhánh giá trị lựa chọn thuộc tính Bằng cách theo giá trị thuộc tính cây, định cho biết giá trị dự đốn Nhóm thuật tốn định có điểm mạnh sử dụng cho tốn Phân loại (Classification) Hồi quy (Regression) Thuật toán định sử dụng rộng rãi số toán Vào năm 2001, Breiman đưa thuật toán rừng ngẫu nhiên (random forest) [3] Rừng ngẫu nhiên thuật tốn học có giám sát Như tên gọi nó, rừng ngẫu nhiên sử dụng định để làm tảng Rừng ngẫu nhiên tập hợp định, mà chọn theo thuật toán dựa vào ngẫu nhiên Trước đó, Support Vector Machines (SVM) [4] đề xuất Vladimir N Vapnik đồng nghiệp ơng Nga sau trở nên phổ biến năm 90 nhờ ứng dụng giải tốn phi tuyến tính SVM sử dụng khơng gian giả thuyết hàm tuyến tính khơng gian đặc trưng nhiều chiều, dựa lý thuyết tối ưu lý thuyết thống kê Không gian liệu nhập ban đầu ánh xạ vào không gian đặc trưng không gian đặc trưng mặt siêu phẳng phân chia tối ưu xác định II MỘT SỐ NGHIÊN CỨU LIÊN QUAN Khi xây dựng liệu đặc trưng để phân loại, tiêu chí quan trọng cần đảm bảo không để nhiều thông tin khơng q tốn mặt chi phí Năm 1901, Karl Pearson tạo thuật toán Phương pháp phân tích thành phần - Principle Component Analysis (PCA) [5], với mục đích giải vấn đề liệu có nhiều chiều liệu, cần giảm bớt chiều liệu nhằm tăng tốc độ xử lí, giữ lại thơng tin nhiều (high variance) Hiện phương pháp hàm nhân dùng để tăng khả áp dụng PCA giải tốn phi tuyến Phương pháp Schưlkopf đồng nghiệp ông [6] đưa với tên gọi KPCA vào năm 1998 A Các thuật toán học máy Học máy (machine learning) phần trí tuệ nhân tạo thuật tốn máy tính sử dụng để B Mơ hình học sâu Học sâu tập học máy trí tuệ nhân tạo, có mạng lưới có khả "học" mà không bị giám sát Tác giả liên hệ: Lê Minh Hóa Email: hoasac@ptithcm.edu.vn Đến tịa soạn: 10/2020, chỉnh sửa: 11/2020 , chấp nhận đăng: 12/2020 SOÁ 04B (CS.01) 2020 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 56 ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TỐN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI từ liệu khơng có cấu trúc khơng gắn nhãn Thời kỳ đầu có nhiều mơ hình thuật toán học sâu đưa khoảng 1986 2012, học sâu không triển khai rộng rãi nhiều vấn đề nảy sinh vấn đề mát đạo hàm, không đủ tập mẫu để huấn luyện hay hiệu suất tính tốn máy tính cịn thấp [7] Cuộc thi phân loại ảnh (ILSVRC) năm 2012 đem lại đột phá cho học sâu đại diện mạng AlexNet [8] gây bất ngờ có độ lỗi phân lớp top giảm 10% cạnh tranh với đối thủ sử dụng thuật tốn truyền thống xử lý ảnh kết hợp cơng cụ trích lọc đặc trưng (SIFT, SURF, FAST, BRISK, AKAZE, …) SVM để phân loại ảnh B Mạng nơ-ron tích chập (CNN) Mơ hình Mạng CNN [12] tập hợp lớp tích chập chồng lên sử dụng hàm kích hoạt phi tuyến ReLU để kích hoạt trọng số node Mỗi lớp sau thông qua hàm kích hoạt tạo thơng tin trừu tượng cho lớp Mỗi lớp sử dụng lọc khác nhau, thông thường có hàng trăm hàng nghìn lọc kết hợp kết chúng lại Mạng nơ-ron tích chập - Convolutional Neural Networks (CNN) AlexNet sử dụng, mơ hình học sâu phổ biến có ảnh hưởng nhiều cộng đồng thị giác máy tính CNN sử dụng nhiều toán nhận dạng đối tượng ảnh Năm 1998, Yan LeCun lần đầu huấn luyện mô hình CNN với thuật tốn lan truyền ngược cho toán nhận dạng chữ viết tay [9] III GIẢI PHÁP PHÂN LOẠI Hình Mơ hình Mạng nơ-ron tích chập [12] A Support Vector Machine (SVM) Support Vector Machine (SVM) phát triển Vapnik dựa lý thuyết học thống kê Bản chất phương pháp SVM chuyển không gian liệu ban đầu thành không gian hữu hạn chiều mà cho khả phân lớp dễ dàng Điểm làm SVM hiệu phương pháp khác việc SVM khơng bị giới hạn việc phân lớp cách tuyến tính, hay nói cách khác siêu phẳng hình thành từ hàm phi tuyến Để phân loại tốt phải xác định siêu phẳng nằm xa điểm liệu tất lớp tốt, nói chung lề (margin) lớn sai số tổng qt hóa thuật toán phân loại bé: < 𝑤, 𝑥𝑖 > +𝑏 ≥ 𝑛ế𝑢 (𝑦𝑖 = 1) (1) < 𝑤, 𝑥𝑖 > +𝑏 ≥ −1 𝑛ế𝑢 (𝑦𝑖 = −1) (2) Mô hình tổng qt lên khơng gian nhiều chiều Khoảng cách từ điểm (vector) có tọa độ xi tới siêu mặt phẳng có phương trình wTx+b=0 xác định bởi: 𝑑(𝑤, 𝑏; 𝑥𝑖 ) = |< 𝑤, 𝑥𝑖 > +𝑏| ‖𝑤‖ (3) Bài toán tối ưu SVM tốn tìm w b cho margin đạt giá trị lớn nhất: 𝑚𝑖𝑛𝑥𝑖;𝑦𝑖=1 𝑑(𝑤, 𝑏; 𝑥𝑖 ) + 𝑚𝑖𝑛𝑥𝑖 ;𝑦𝑖=−1 𝑑(𝑤, 𝑏; 𝑥𝑖 ) (4) Việc giải trực tiếp toán phức tạp, lý thuyết có cách để đưa tốn đơn giản tính tốn ‖𝑤‖ để đạt giá trị cực tiểu Tuy nhiên, việc giải toán trở nên phức tạp số chiều không gian liệu số điểm liệu tăng lên cao Khi để tìm nghiệm thường giải toán đối ngẫu toán SỐ 04B (CS.01) 2020 Lớp tích chập y(t) sử dụng q trình tích chập lọc tồn ma trận ảnh 𝑢(𝑡) ∗ 𝑥(𝑡), biểu thị chung cơng thức tốn học sau: 𝑦(𝑡) = 𝑢(𝑡) ∗ 𝑥(𝑡) = ∫ 𝑢(𝜏)𝑥(𝑡 − 𝜏)𝑑𝜏 (5) Khi (5) áp dụng ma trận ảnh, cơng thức viết lại thành: 𝑦[𝑘] = ∑ 𝑢[𝑗]𝑥[𝑘 − 𝑗] (6) 𝑗 Ở (6), x[k] viết x[k-j], mặt khác chuyển thành x [k+j] khơng ảnh hưởng đến kết tính toán: 𝑦[𝑘] = ∑ 𝑢[𝑗]𝑥[𝑘 + 𝑗] (7) 𝑗 Trong q trình tính chập mạng nơ-ron, w đóng vai trị lọc lớp tích chập, x đầu vào lớp f(.) hàm kích hoạt Sải bước (ξ) khoảng cách kernel quét Với sải bước 1, kernel quét ô cạnh nhau, với sải bước 2, kernel quét ô số ô số 3, bỏ qua Khi (7) thay công thức: 𝑦𝑛 [𝑘] = 𝑓(𝑤 ∗ 𝑥𝑛 ) = 𝑓(∑ 𝑤[𝑗]𝑥𝑛 [ξ𝑘 + 𝑗]) 𝑗 (8) Ngồi có số lớp khác để giảm kích thước tính tốn cách sử dụng lấy mẫu gộp dùng để chắt lọc lại thông tin hữu ích (loại bỏ thông tin nhiễu) Trong trình huấn luyện mạng CNN tự động học giá trị qua lớp tích chập Ví dụ tác vụ phân lớp ảnh, CNN cố gắng tìm thông số tối ưu cho lọc tương ứng theo thứ tự: điểm ảnh thơ > cạnh > hình dạng > khuôn mặt > đặc trưng mức độ cao Lớp cuối dùng để phân lớp hình ảnh TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 57 Lê Minh Hóa C Hồi quy Softmax Softmax [13] đặt cuối mạng học sâu dùng phổ biến cho việc phân loại Vector đặc trưng lớp trước đầu vào cho lớp Softmax Phương pháp sử dụng rộng rãi cần phân loại nhiều nhóm đối tượng Để biểu diễn mơ hình gọn hơn, mơ hình Softmax sử dụng ký hiệu đại số tuyến tính, biểu diễn dạng vector q=Wx+b, dạng phù hợp cho toán học lập trình: 𝑞𝑛 = 𝑊 𝑇 𝑥̂𝑛 + 𝑤0 = [𝑞𝑛,1 𝑞𝑛,2 ⋯ 𝑞𝑛,𝑘 ] 𝑇 (9) Một hàm softmax sử dụng để chuyển đổi giá trị thành xác suất Các hàm thường dùng 𝑃(𝑦𝑛 = 𝑐|𝑥𝑛 ) = exp (𝑞𝑛,𝑐 ) ∑𝑘𝑗=1 exp (𝑞𝑛,𝑗 ) (10) Tiếp theo tối ưu hóa tham số mơ hình cho khả xuất liệu quan sát cao Sau đó, mơ hình đưa dự đoán cách đặt ngưỡng xác suất, ví dụ dự đốn nhãn nhãn có xác suất cao D Mơ hình VGG16 Kể từ AlexNet, kiến trúc CNN ngày sâu hơn, VGG [10] đời với số cải tiến, trước tiên mơ hình VGG sâu hơn, thay đổi thứ tự tích chập Tuy nhiên, tăng độ sâu mạng không đơn giản xếp chồng lớp lại với Mạng sâu khó huấn luyện vấn đề mát đạo hàm, độ dốc truyền ngược trở lại lớp trước đó, phép nhân lặp lặp lại làm cho độ dốc cực nhỏ Kết là, hiệu suất mạng bị bão hòa giảm hiệu suất nhanh chóng Trước AlexNet sử dụng tích chập kết hợp gộp cực đại cịn VGG sử dụng chuỗi tích chập liên tiếp cuối kiến trúc VGG Việc làm cho việc tính toán trở nên lâu đặc trưng giữ lại nhiều so với việc sử dụng gộp cực đại sau tích chập Hơn với đời GPU giúp tốc độ tính tốn trở nên nhanh nhiều lần vấn đề khơng cịn đáng lo ngại VGG cho sai số nhỏ AlexNet thi ILSVRC năm 2014 VGG có phiên VGG16 VGG19 Kiến trúc VGG16 [10] biểu diễn Hình SỐ 04B (CS.01) 2020 Hình Kiến trúc mơ hình VGG16 Kiến trúc VGG16 bao gồm 16 lớp: 13 lớp tích chập (2 lớp conv-conv, lớp conv-conv-conv) có kernel 3x3, sau lớp conv gộp cực đại giảm kích thước ảnh xuống 0.5, lớp kết nối hoàn chỉnh VGG19 tương tự VGG16 có thêm lớp tích chập IV KẾT QUẢ THỰC NGHIỆM Nghiên cứu tiến hành thử nghiệm thuật toán phân loại đề cập phần trên, liệu hình ảnh TrashNet dùng để huấn luyện đánh giá kết Bộ liệu TrashNet có hình ảnh rác thải sinh hoạt G Thung đồng tập hợp [11] Bộ liệu tổng cộng có 2527 hình chia làm loại rác, có loại tái chế được, gồm 501 hình rác thủy tinh, 594 hình giấy thải, 403 hình bìa tơng, 410 hình rác kim loại 137 rác sinh hoạt Bộ ảnh chuẩn hóa kích thước 512x384px Hình ảnh ví dụ loại rác thải Hình TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 58 ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TỐN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI ma trận chiều điều chỉnh thích hợp gia tăng độ xác tốc độ phân loại Kích thước hình ảnh liệu TrashNet 512x384px, giảm xuống cịn 28x28px để làm đầu vào, thời gian huấn luyện định 2.6s độ xác phân loại đạt 49.3% Tuy nhiên kích thước ảnh đầu vào 128x128px thời gian huấn luyện tăng lên tới 48.2s độ xác cịn 47.3% Khi kích thước hình ảnh đầu vào giảm xuống 128x128px thuật tốn rừng ngẫu nhiên cho kết tốt độ xác phân loại đạt 68.2% với thời gian huấn luyện 41.3s Ngược lại mơ hình SVM cho hiệu suất thấp, thời gian huấn luyện dài độ xác thấp mơ hình Do chiều liệu lớn nên vấn đề SVM gặp phải gia tăng khối lượng tính tốn Do đó, kết hợp với PCA để giảm chiều liệu mà giữ đặc trưng quan trọng phân loại sử dụng SVM chứng tỏ có hiệu thời gian huấn luyện giảm xuống xấp xỉ 29s độ xác cải thiện mức 60.8% BẢNG I HIỆU SUẤT CÁC THUẬT TOÁN HỌC MÁY Độ xác (%) Thời gian huấn luyện (s) Cây định 47.3 48.2 Rừng ngẫu nhiên 68.2 41.3 SVM 41.6 215.4 SVM+PCA 60.8 28.7 Thuật tốn Hình Hình mẫu Bộ liệu TrashNet (a) giấy bìa tơng (cardboard) (b) thủy tinh (glass) (c) kim loại (metal) (d) giấy (paper) (e) nhựa (plastic) (f) rác sinh hoạt (trash) Nghiên cứu sử dụng phần cứng sau: CPU core i7 3.6Ghz, nhớ 16GB Ram, card đồ họa GTX 1070 cài đặt Windows 10 Mã nguồn cho thực nghiệm cài đặt Python 3.7 sử dụng thư viện TensorFlow2 Độ xác nhiệm vụ phân loại rác thải thời gian huấn luyện mơ hình tham số so sánh thuật toán; đồng thời mặt hạn chế xem xét Bộ liệu chia theo tỉ lệ 8:2, với phần cho mục đích huấn luyện phần cho kiểm thử đánh giá độ xác A Hiệu suất thuật toán học máy Các thuật toán đại diện học máy định, rừng ngẫu nhiên, SVMs PCA sử dụng để huấn luyện phân loại liệu Đầu tiên, xử lý liệu hình ảnh chuyển ma trận ảnh chiều thành ma trận chiều đầu vào cho trình huấn luyện phân loại Khi sử dụng thuật toán liên quan định kích thước SỐ 04B (CS.01) 2020 B Hiệu suất mơ hình học sâu Trong trường hợp học sâu, mơ hình CNN VGG16 sử dụng để huấn luyện phân loại liệu Hình ảnh đầu vào giữ nguyên kích thước chuẩn hóa 384x512px với kênh màu CNN cho kết tốt với độ xác cao 60.2% với số lần huấn luyện lặp lại 20 lần khoảng thời gian huấn luyện 362.8s Một điều lưu ý số lần huấn luyện lớn hơn, mơ hình bị tượng khớp (overfitting) Hiện tượng khớp diễn mơ hình VGG16 sớm dẫn đến tình trạng độ xác phân loại ảnh thấp 20 lần lặp huấn luyện Điều chứng tỏ liệu có số lượng mẫu nhỏ khơng thích hợp cho mơ hình có độ phức tạp tương đối cao Bài báo thêm lớp phân loại softmax vào mạng VGG16 kết thực nghiệm cho kết phân loại khả quan với độ xác đạt 71.1% thời gian huấn luyện 545.2s với số lần huấn luyện 20 Sau 20 lần lặp, độ xác khơng có xu hướng tăng nữa, đồng thời kiểm tra sai số không giảm trì số liệu TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 59 Lê Minh Hóa BẢNG II HIỆU SUẤT CÁC MƠ HÌNH HỌC SÂU PERFORMANCE EVALUATION ON ARTIFICIAL Độ xác Thời gian (%) huấn luyện (s) CNN 60.2 362.8 VGG16 23.6 1248.5 VGG16+softmax 71.1 545.2 Mơ hình V KẾT LUẬN Trong báo này, thuật tốn trí tuệ nhân tạo nghiên cứu thử nghiệm toán phân loại rác thải Kết đánh giá so sánh thông qua độ xác phân loại thời gian huấn luyện thuật tốn Thơng qua kết thực nghiệm, mơ hình học sâu hứa hẹn tương lai gần đáp ứng tác vụ công nghiệp thời gian thực Từ nghiên cứu này, việc cài đặt nâng cấp mơ hình huấn luyện liệu lớn để đạt mục tiêu phân loại xác tin cậy hơn, mang tính thực tiễn nhằm áp dụng cho ngành công nghiệp xử lý rác thải, đem lại môi trường sống tốt đẹp CLASSIFICATION Abstract: Waste classification is a big problem in computer vision and nowadays there are many approaches to offer solutions, in which the direction of using artificial intelligence reaches a significant level of accuracy In this paper, the classification algorithms in machine learning such as decision trees, random forest, SVM, PCA and the typical deep learning model VGG16 are studied to compare the efficiency in the classification This study proposes to add a Softmax classification after VGG16 to give higher accuracy results The deep learning models studied here use the Convolutional Neural Network (CNN) core which is one of the most advanced networks in computer vision, demonstrating the ability to effectively classify images The results from the proposed model have been improved with 71.1% accuracy compared to using the CNN model under the condition utilizing dataset with small sample quantity In the near future, deep learning models will mechanically assist in automatic garbage classification and without necessarily human intervention Keywords: CNN, Decision tree, Random forest, PCA, waste classification, SVM, VGG16 TÀI LIỆU THAM KHẢO [1] J.R Quinlan, “Induction of decision trees”, Mach Learn 1, 81–106 (1986), https://doi.org/10.1007/BF0011625 [2] S.L Salzberg, “C4.5: Programs for Machine Learning” by J Ross Quinlan Morgan Kaufmann Publishers, Inc., 1993 Mach Learn 16, 235–240 (1994), https://doi.org/10.1007/BF00993309 [3] L Breiman, “Random Forests”, Machine Learning 45, 5–32 (2001), https://doi.org/10.1023/A:1010933404324 [4] C Cortes, V Vapnik, “Support-vector networks”, Mach Learn 20, 273–297 (1995), https://doi.org/10.1007/BF00994018 [5] Karl Pearson F.R.S (1901), “LIII On lines and planes of closest fit to systems of points in space”, The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2:11, 559-572, DOI: 10.1080/14786440109462720 [6] B Schölkopf, A Smola, K.R Müller, “Nonlinear Component Analysis as a Kernel Eigenvalue Problem”, Neural Computation 1998 10:5, 1299-1319, DOI: 10.1162/089976698300017467 [7] R Garg, H Aggarwal, P Centobelli, R Cerchione, “Extracting Knowledge from Big Data for Sustainability: A Comparison of Machine Learning Techniques”, Sustainability 2019, 11, 6669, DOI: 10.3390/su11236669 [8] A Krizhevsky, I Sutskever, G Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", In Advances in Neural Information Processing Systems 25, edited by F Pereira, C J C Burges, L Bottou and K Q Weinberger, 1097—1105, Curran Associates, Inc., 2012 [9] Y LeCun, B Boser, J S Denker, D Henderson, R E Howard, W Hubbard, L D Jackel, “Backpropagation Applied to Handwritten Zip Code Recognition”, Neural Computation 1989 1:4, 541-551, https://doi.org/10.1162/neco.1989.1.4.541 [10] K Simonyan, A Zisserman, “Very deep convolutional networks for large-scale image recognition”, ICLR 2015, arXiv:1409.1556 [11] G Thung, “Trashnet,” GitHub repository, 2016 [12] LeCun, Y., Bengio, Y and Hinton, G., 2015 Deep learning Nature, 521(7553), pp.436-444 [13] I Goodfellow, Y Bengio, and A Courville, “Deep learning.” MIT Press, 2016 SOÁ 04B (CS.01) 2020 INTELLIGENT MODELS IN WASTE Lê Minh Hóa, tốt nghiệp Thạc sỹ Máy tính, chun ngành Đa phương tiện năm 2011, trường Soongsil, Hàn Quốc Hiện giảng viên Học Viện Cơng Nghệ Bưu Chính Viễn Thơng, sở TP Hồ Chí Minh Lĩnh vực nghiên cứu: HCI, trí tuệ nhân tạo, học sâu TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 60 ... 512x384px Hình ảnh ví dụ loại rác thải Hình TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 58 ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TỐN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI ma trận chiều điều...ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TỐN TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI RÁC THẢI từ liệu cấu trúc khơng gắn nhãn Thời kỳ đầu có nhiều mơ hình thuật tốn học sâu đưa khoảng... KẾT LUẬN Trong báo này, thuật tốn trí tuệ nhân tạo nghiên cứu thử nghiệm toán phân loại rác thải Kết đánh giá so sánh thơng qua độ xác phân loại thời gian huấn luyện thuật tốn Thơng qua kết thực