PHƯƠNG PHÁP DỰA TRÊN HỌC SÂU TRONG PHÂN LOẠI HÌNH ẢNH MỜ SỬ DỤNG KIẾN TRÚC DENSENET-121

Tóm tắt

Phân loại ảnh mờ đóng vai trò quan trọng trong các ứng dụng thị giác máy tính, bao gồm các hệ thống đánh giá chất lượng hình ảnh, giám sát và hình ảnh y tế. Nghiên cứu này đề xuất một phương pháp để phân loại các loại mờ khác nhau: ảnh sắc nét, mờ Gaussian, mờ chuyển động và mờ do mất nét, bằng cách sử dụng kiến trúc DenseNet-121. Phương pháp này khai thác các lớp tích chập kết nối dày đặc của DenseNet-121 để trích xuất đặc trưng nhiều mức một cách hiệu quả, điều này rất quan trọng cho việc phân biệt các loại mờ. Kỹ thuật tăng cường dữ liệu cũng được áp dụng để tạo ra các mẫu mờ đa dạng, và mô hình được tinh chỉnh trên một tập dữ liệu chuyên biệt để đảm bảo đạt hiệu suất cao. Các lớp chuyển tiếp và lớp global average pooling với bộ phân lớp softmax được tích hợp để tối ưu hóa quản lý đặc trưng và đưa ra xác suất phân lớp. Thực nghiệm cho thấy phương pháp này đạt độ chính xác cao (97,8%), tốt hơn so với các mô hình cơ bản khác trong phân loại ảnh mờ. Nhìn chung, phương pháp dựa trên DenseNet-121 này cải thiện đáng kể độ chính xác phân loại và cung cấp một giải pháp hiệu quả, có khả năng mở rộng cho các tác vụ xử lý ảnh yêu cầu nhận diện mờ chính xác.