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 về Điện tử Truyền thông và Công nghệ Thông tin REV-ECIT2022 Xây dựng mô hình Siamese sâu để tăng độ chính xác phát hiện và theo dõi đối tượng đơn cho UAV Phan Đức Huy1 Phạm Minh Nghĩa1 Phan Trọng Hanh1 Nguyễn Tuấn Phong2 1 Khoa Vô tuyến Điện tử Học viện Kỹ thuật Quân sự 2 Viện Kỹ thuật Hải quân Quân chủng Hải Quân Email nghiapm2018@ Abstract Phát hiện và theo dõi mục tiêu đơn đã và đang Dựa trên ưu điểm này thì mạng SNN thường mang lại là một trong những nhiệm vụ trong lĩnh vực thị giác máy kết quả phân loại tốt hơn so với một số mạng học sâu tính ứng dụng cho UAV. Với sự phát triển rất nhanh của cơ bản. Ngoài ra SNN thường tập trung vào việc học các mạng học sâu cùng với khả năng tiếp cận đã trở nên các đặc trưng ở các lớp sâu hơn ở đó các đặc trưng dễ dàng hơn với các bộ dữ liệu lớn về mục tiêu đơn giống nhau của mục tiêu sẽ được bố trí gần nhau hơn mạng học sâu với cấu trúc Siamese đã đạt được các kết nên kết quả đầu ra của mạng SNN thường có sự tương quả tương đối tốt khi so sánh với các phương pháp đồng đối với các dữ liệu đầu vào. truyền thống. Tuy nhiên độ chính xác trong phát hiện mục tiêu của mạng Siamese còn nhiều hạn chế. Bài báo Bên cạnh những ưu điểm nói trên mạng SNN có này đề xuất một phương pháp cải tiến mạng Siamese những nhược điểm sau 1 thời gian huấn luyện của nhằm nâng cao độ chính xác trong phát hiện và theo dõi SNN lâu hơn so với các mạng nơ-ron truyền thống do mục tiêu. Mô hình đề xuất thiết kế một khối chèn dư mới trong SNN tiến hành học theo từng cặp với nhau 2 để khắc phục độ lớn của lớp đệm nhằm giảm độ phức tạp mạng SNN không thể hiện xác suất tại mỗi lớp đầu ra của các hàm trọng số. Mô hình đề xuất được đánh giá với mà chỉ đưa ra một giá trị trọng số trong đoạn 0 1 thể tập dữ liệu khoảng 4000 ảnh với 40 mục tiêu khác nhau. hiện sự giống và khác nhau giữa các dữ liệu đầu vào Kết quả mô phỏng cho thấy mô hình đề xuất có độ chính giá trị này càng gần 1 thì các dữ liệu đầu vào càng xác và thời gian .
