Mỗi ngày một bước, từ 2D đến 3D

Kaiming He, Georgia Gkioxari, Piotr Dollár và Ross Girshick đưa mặt nạ vào hệ phát hiện đối tượng. Bước quyết định của Mask R-CNN nằm ở cách giữ đúng vị trí khi trích đặc trưng của từng vùng.

Trong năm 2020, SimCLR và BYOL cho thấy hai cách học biểu diễn từ các góc nhìn của ảnh. Một cách dùng cặp âm, cách kia không dùng chúng, đặt lại câu hỏi về nguồn tín hiệu giúp mạng tránh học một câu trả lời vô nghĩa.

Năm 2020, Nicolas Carion và các cộng sự đặt lại cách mô hình phát hiện đối tượng học từ nhãn. DETR dự đoán một tập kết quả và dùng ghép cặp một đối một để xử lý câu hỏi ai đang dự đoán vật nào.

Vision Transformer, CLIP và Segment Anything đặt những câu hỏi khác nhau về cách học từ ảnh. Ta nhìn rõ điều từng công trình thay đổi và điều nó chưa giải quyết.

Bạn sẽ đọc kích thước, kiểu số và miền giá trị của một mảng ảnh. Ba thông tin này giúp bạn chọn phép tính phù hợp ngay từ đầu.

Bạn sẽ xử lý từng kênh màu mà không viết vòng lặp. Bài giải thích cách NumPy mở rộng các chiều tương thích khi tính trên nhiều mảng.

Bạn sẽ tính thống kê theo từng chiều và chuẩn hóa ảnh. Hai lựa chọn axis, keepdims giúp bạn giữ đúng hình dạng dữ liệu sau phép tính.

Bạn sẽ dùng vector để mô tả một mẫu và so sánh hai mẫu theo hướng. Tích vô hướng và cosine giúp giải thích phép so sánh này.

Bạn sẽ giải một hệ phương trình nhỏ rồi dùng ma trận để biến đổi một lưới điểm. Thêm độ lệch giúp bạn hiểu phép affine trong các lớp mạng.

Bạn sẽ nhân ma trận và tính khoảng cách giữa nhiều vector cùng lúc. Kiểm tra một cặp bằng tay giúp bạn hiểu kết quả của cả bảng.

Bạn sẽ chia dữ liệu bằng một nguồn ngẫu nhiên cố định rồi lưu kết quả. Bài giúp bạn giữ ảnh và nhãn đúng cặp khi chạy lại thí nghiệm.

Bạn sẽ đặt ảnh gốc và ảnh đã xử lý cạnh nhau bằng Matplotlib. Chọn đúng màu, trục và thang giá trị giúp việc so sánh có ý nghĩa.

Bạn sẽ vẽ biểu đồ để xem độ sáng, kích thước và số lượng ảnh. Những hình này giúp phát hiện dữ liệu lệch trước khi huấn luyện mô hình.

Bạn sẽ sắp xếp nhiều biểu đồ trong một hình và hiểu vai trò của Figure, Axes. Bố cục rõ ràng giúp người đọc so sánh kết quả dễ hơn.

Bạn sẽ biểu diễn ma trận bằng màu và ghi số lên từng ô. Ví dụ ma trận nhầm lẫn giúp bạn nhận ra mô hình hay nhầm những lớp nào.

Bạn sẽ thay độ rộng mỗi khoảng chia của histogram và quan sát hình đổi ra sao. Bài phân biệt số đếm, tỷ lệ và mật độ.

Bạn sẽ dùng vị trí, màu và kích thước điểm để biểu diễn nhiều biến. Chú giải rõ ràng giúp người đọc hiểu từng dấu hiệu trên biểu đồ.

Bạn sẽ đếm ảnh theo độ sáng và kết quả dự đoán để tính xác suất. Ví dụ làm rõ hợp, giao, tính độc lập và xác suất có điều kiện.

Một cảnh báo có đáng tin khi lỗi rất hiếm? Bạn sẽ dùng Bayes để kết hợp tỷ lệ lỗi ban đầu với độ nhạy và tỷ lệ cảnh báo nhầm.

Bạn sẽ mô tả kết quả hai khả năng, nhiều lớp và dữ liệu liên tục bằng các phân phối phù hợp. Bài phân biệt xác suất với chiều cao của đường mật độ.