Mô hình nào sau đây là mô hình deep learning được đào tạo trước phổ biến để phân loại hình ảnh?

C. Cấu trúc từ Chuyển động (SfM) là kỹ thuật sử dụng một chuỗi các hình ảnh 2D để ước tính tư thế của máy ảnh và đồng thời tái tạo cấu trúc 3D của một cảnh hoặc đối tượng. Các phương pháp khác không trực tiếp giải quyết cả hai vấn đề này cùng một lúc:

• Ước tính độ sâu: Chỉ tập trung vào việc ước tính khoảng cách từ máy ảnh đến các điểm trong cảnh.
• Tầm nhìn lập thể: Sử dụng hai hoặc nhiều máy ảnh để tạo ra ảnh 3D, nhưng không nhất thiết phải ước tính tư thế máy ảnh từ một chuỗi hình ảnh.
• Ánh xạ kết cấu: Là quá trình thêm chi tiết bề mặt vào mô hình 3D, chứ không phải là ước tính tư thế máy ảnh hay tái tạo cấu trúc 3D.

Câu hỏi này kiểm tra kiến thức về các thuật toán trích xuất đặc trưng trong ảnh. Trong các lựa chọn được đưa ra:

• SIFT (Scale-Invariant Feature Transform): Là một thuật toán để phát hiện và mô tả các đặc điểm cục bộ trong ảnh, có khả năng bất biến với sự thay đổi tỷ lệ và góc quay. Đây là đáp án chính xác.
• ORB (Oriented FAST and Rotated BRIEF): Là một thuật toán nhanh và hiệu quả để phát hiện và mô tả đặc trưng, nhưng không mạnh mẽ bằng SIFT về khả năng bất biến tỷ lệ.
• Thác Haar: Là một phương pháp được sử dụng chủ yếu cho việc phát hiện đối tượng, đặc biệt là khuôn mặt, chứ không phải là trích xuất đặc trưng bất biến tỷ lệ và góc quay.
• SURF (Speeded Up Robust Features): Tương tự như SIFT, SURF cũng là một thuật toán trích xuất đặc trưng bất biến tỷ lệ và góc quay, nhưng SIFT là thuật toán gốc và phổ biến hơn trong trường hợp này.

Do đó, đáp án chính xác nhất là SIFT.

Phân tích thành phần chính (PCA) là một kỹ thuật giảm chiều dữ liệu được sử dụng để giảm số lượng biến trong một tập dữ liệu lớn, đồng thời giữ lại càng nhiều thông tin quan trọng càng tốt. PCA thực hiện điều này bằng cách chuyển đổi các biến ban đầu thành một tập hợp các biến mới, được gọi là các thành phần chính, là các tổ hợp tuyến tính của các biến ban đầu. Thành phần chính đầu tiên nắm bắt được phương sai lớn nhất trong dữ liệu, thành phần chính thứ hai nắm bắt được phương sai lớn thứ hai, và cứ tiếp tục như vậy. Bằng cách chọn một số lượng nhỏ các thành phần chính, ta có thể giảm đáng kể số lượng biến trong tập dữ liệu, đồng thời giữ lại phần lớn thông tin quan trọng. Điều này làm cho PCA trở thành một kỹ thuật hữu ích để tạo ra các hình ảnh nhỏ gọn mà vẫn giữ được những đặc điểm quan trọng của chúng.

Phân tích:

Câu hỏi này kiểm tra kiến thức về các thuật toán thường được sử dụng trong lĩnh vực phát hiện đối tượng (object detection) trong ảnh.

Đánh giá các lựa chọn:

• A. Phân cụm K-mean: K-mean là một thuật toán phân cụm, thường được sử dụng để nhóm các điểm dữ liệu tương tự lại với nhau. Nó không phải là thuật toán chính để phát hiện đối tượng, mà thường được dùng trong các bước tiền xử lý hoặc phân tích dữ liệu sau phát hiện.
• B. Rừng ngẫu nhiên: Rừng ngẫu nhiên (Random Forest) là một thuật toán học có giám sát, có thể được sử dụng cho cả bài toán phân loại và hồi quy. Tuy nhiên, nó không phải là thuật toán phổ biến nhất cho phát hiện đối tượng trực tiếp trong ảnh, mà thường cần kết hợp với các kỹ thuật khác.
• C. Thác Haar: Thác Haar (Haar Cascade) là một thuật toán phát hiện đối tượng được thiết kế đặc biệt cho việc phát hiện các đặc trưng giống Haar. Nó đã từng rất phổ biến, đặc biệt trong việc phát hiện khuôn mặt, do tính hiệu quả về mặt tính toán.
• D. Máy vectơ hỗ trợ (SVM): SVM là một thuật toán học có giám sát, có thể được sử dụng cho cả bài toán phân loại và hồi quy. Nó có thể được sử dụng trong phát hiện đối tượng, nhưng thường cần kết hợp với các bộ trích xuất đặc trưng khác.

Kết luận:

Trong các lựa chọn được đưa ra, Thác Haar là thuật toán thường được sử dụng trực tiếp để phát hiện đối tượng trong ảnh, đặc biệt là trong các ứng dụng thời gian thực. Các thuật toán khác có thể được sử dụng, nhưng không phải là lựa chọn điển hình nhất.

Phân tích các lựa chọn:

• A. Phân tích thành phần chính (PCA): PCA là một kỹ thuật giảm chiều dữ liệu, thường được sử dụng để trích xuất các đặc trưng quan trọng nhất từ một tập dữ liệu. Mặc dù nó có thể được sử dụng trong xử lý ảnh, nhưng nó không trực tiếp được sử dụng để phát hiện và theo dõi các điểm mốc trên khuôn mặt.
• B. Dòng quang: Dòng quang (Optical Flow) là một phương pháp ước tính sự chuyển động của các pixel giữa hai khung hình liên tiếp trong một chuỗi video. Nó hữu ích cho việc theo dõi chuyển động tổng thể, nhưng không đặc biệt tập trung vào việc xác định và theo dõi các điểm mốc cụ thể trên khuôn mặt.
• C. Mô hình hình dạng hoạt động (ASM): ASM là một kỹ thuật được thiết kế đặc biệt để phát hiện và theo dõi các điểm mốc trên khuôn mặt. Nó sử dụng một mô hình thống kê về hình dạng khuôn mặt và tìm kiếm hình dạng phù hợp nhất với hình ảnh hoặc video đầu vào.
• D. Biểu đồ độ dốc định hướng (HOG): HOG là một phương pháp mô tả đặc trưng hình ảnh bằng cách tính toán các độ dốc định hướng của các pixel trong một vùng ảnh. Nó thường được sử dụng để phát hiện đối tượng, chẳng hạn như người đi bộ, nhưng không phải là phương pháp chính để theo dõi các điểm mốc cụ thể trên khuôn mặt.

Kết luận:

Dựa trên phân tích trên, Mô hình hình dạng hoạt động (ASM) là kỹ thuật phù hợp nhất để phát hiện và theo dõi các điểm mốc trên khuôn mặt trong hình ảnh hoặc video.