Nguyên lý chung
Cho trước một tập huấn luyện, các ảnh được biểu diễn dưới dạng vector. Trong không gian vector, mỗi vertor được biểu diễn bởi một điểm. Phương pháp SVM sẽ tìm một siêu phẳng quyết định để phân chia không gian vector thành hai lớp. Chất lượng của siêu phẳng này phụ thuộc vào khoảng cách giữa các vector, tức là phụ thuộc vào các đặc trưng của ảnh.
Ưu điểm:
- Cho kết quả nhận dạng với độ chính xác cao
- Bài toán huấn luyện SVM thực chất là bài toán QP trên một tập lồi, do đó SVM ln có nghiệm tồn cục và duy nhất, đây chính là điểm khác biệt rõ nhất giữa SVM so với phương pháp mạng Neural, vì mạng Neural vốn tồn tại nhiều điểm cực trị địa phương.
Nhược điểm:
- Hạn chế lớn nhất của SVM là tốc độ phân lớp rất chậm, tùy thuộc vào số lượng các véc tơ hỗ trợ.
- Giai đoạn huấn luyện SVM địi hỏi bộ nhớ rất lớn, do đó các bài tốn huấn luyện với số lượng mẫu lớn sẽ gặp trở ngại trong vấn đề lưu trữ. Hiệu quả phân lớp của SVM phụ thuộc vào hai yếu tố: giải bài toán QP và lựa chọn hàm nhân.
Kết luận chương 1
Nội dung của luận văn là nghiên cứu áp dụng mạng CNN cho phân loại ảnh Chính vì vậy, chương 1 đưa ra các kiến thức tổng quan về bài toán phân loại ảnh với mục đích tổng kết các lý thuyết liên quan đến quá trình xử lý ảnh số thơng thường
Đặc biệt tập trung vào phép tính tích chập trong xử lý ảnh do nó có mối quan hệ biện chứng với nguyên lý của mạng CNN. Mối quan hệ này sẽ được phân tích rõ trong chương 2. Bên cạnh đó, luận văn cũng đã tìm hiểu về các phương pháp phân loại ảnh thường được sử dụng. Nội dung này kết hợp với kiến thức về mạng CNN trong chương 2 sẽ là nền tảng cho các việc xây dựng các ứng dụng nhận dạng ở chương 3.
CHƯƠNG 2
MẠNG NƠ RON CNN
VÀ ỨNG DỤNG TRONG PHÂN LOẠI ẢNH Các khái niệm chung về mạng nơron