Khoa Công nghệ Thông tin, Trường Đại học Công nghệ Kỹ thuật TP.HCM chúc mừng Mai Quốc Thái – sinh viên Khoa Công nghệ Thông tin đã có bài báo khoa học được chấp nhận công bố trên Signal, Image and Video Processing (SIVP) – tạp chí khoa học quốc tế thuộc hệ thống Science Citation Index Expanded (SCIE), Q2, do Springer Nature xuất bản.
📄 Tên bài báo:
“CCS: A Continuous Spatial-Semantic Concordance Score for Robust Evaluation of Object Detection Models”
👨‍🎓 Tác giả: Mai Quốc Thái – Tác giả chính
🔎 Về nghiên cứu:
Trong các bài toán Object Detection (phát hiện đối tượng), những chỉ số đánh giá phổ biến như mAP và F1 thường dựa trên các ngưỡng cứng, khiến những trường hợp dự đoán “gần đúng” có thể bị xem như hoàn toàn sai. Bên cạnh đó, các phương pháp truyền thống chưa phản ánh đầy đủ mối quan hệ ngữ nghĩa giữa các nhãn trong những lĩnh vực có cấu trúc phân cấp, đặc biệt là các bài toán phát hiện đối tượng trong y tế.
Từ vấn đề đó, nghiên cứu đề xuất CCS (Continuous Spatial-Semantic Concordance Score) – một thước đo đánh giá mới, kết hợp đồng thời độ tương đồng về vị trí và độ tương đồng về ngữ nghĩa giữa kết quả dự đoán và nhãn thực tế.
CCS gồm hai thành phần chính:
🔹 Csp – Continuous Spatial Concordance: Mô hình hóa bounding box dưới dạng phân phối Gaussian 2D, từ đó tính toán độ tương đồng không gian một cách liên tục, giúp đánh giá mức độ lệch vị trí mà không phụ thuộc vào các ngưỡng IoU cố định.
🔹 Csem – Continuous Semantic Concordance: Khai thác độ tương đồng ngữ nghĩa dựa trên phân cấp khái niệm Wu-Palmer, qua đó cho phép ghi nhận mức độ “gần đúng” giữa các nhãn có quan hệ ngữ nghĩa với nhau.
Nghiên cứu cũng mở rộng CCS ở cấp độ instance (CCSinst) bằng thuật toán ghép cặp song phương Kuhn–Munkres (Hungarian Matching), đồng thời đề xuất mCCS và AUCCCS nhằm đánh giá tính ổn định của mô hình trên nhiều ngưỡng confidence khác nhau.
📊 Kết quả nổi bật:
Nghiên cứu thực nghiệm trên 6 mô hình phát hiện đối tượng, thuộc 3 thế hệ YOLO (YOLOv8, YOLOv10 và YOLOv11), với bộ dữ liệu gồm 8 lớp triệu chứng trên lưỡi có mức độ mất cân bằng về độ khó cao.
Kết quả cho thấy:
Các chỉ số dựa trên ngưỡng cứng như F1 có thể suy giảm tới 16,9% và làm thay đổi thứ hạng giữa 33% cặp mô hình.
Trong khi đó, CCS duy trì độ ổn định ở mức 0,62–0,65 và bảo toàn thứ hạng mô hình với Spearman ρ = 0,94.
Đánh giá trên 4 hệ thống phân cấp ngữ nghĩa khác nhau vẫn cho kết quả thứ hạng mô hình nhất quán với ρ = 1,0000, cho thấy tính ổn định của CCS trước sự thay đổi của taxonomy.
CCS có hiệu năng tính toán rất cao: CCS cấp lớp chỉ mất 0,007 ms/image, nhanh hơn 11 lần so với COCO mAP ở mức 0,079 ms/image.
Phiên bản CCSinst với Hungarian Matching đạt 0,022 ms/image, tương đương khoảng 46,239 FPS, cho thấy khả năng ứng dụng trong các hệ thống đánh giá thời gian thực.
Những kết quả trên cho thấy CCS là một hướng tiếp cận hiệu quả, ổn định và có chi phí tính toán thấp cho việc đánh giá các mô hình Object Detection, đặc biệt trong những bài toán có mất cân bằng dữ liệu và cấu trúc ngữ nghĩa phân cấp, như các bài toán phát hiện đối tượng trong lĩnh vực y tế.
💙 Khoa Công nghệ Thông tin xin chúc mừng Mai Quốc Thái với thành tích đáng ghi nhận trong hoạt động nghiên cứu khoa học quốc tế.
Đây không chỉ là dấu ấn trong quá trình học tập và nghiên cứu của sinh viên, mà còn góp phần khẳng định tinh thần chủ động nghiên cứu, đổi mới sáng tạo và ứng dụng Trí tuệ nhân tạo vào các bài toán thực tiễn của sinh viên Khoa Công nghệ Thông tin.
Khoa chúc Mai Quốc Thái tiếp tục phát huy tinh thần nghiên cứu, khám phá những hướng tiếp cận mới trong Trí tuệ nhân tạo, Thị giác máy tính và AI trong y tế, đồng thời có thêm nhiều công trình khoa học chất lượng trong thời gian tới! 🎉
🔗 Thông tin tạp chí: https://link.springer.com/journal/11760