Computer Vision

Computer Vision

Thị giác máy tính — từ CNN nền tảng đến ResNet, HRNet và các kiến trúc hiện đại cho phân loại, phát hiện vật thể, phân vùng ảnh; kết thúc bằng Vision Transformer làm cầu nối sang LLM.

6

Bài học

CNN → ViT

Lộ trình

ResNet · HRNet

Kiến trúc lõi

Detection · Segmentation

Bài toán

Lộ trình 6 bài

CNN — Mạng tích chập

Convolution, kernel/stride/padding, pooling, feature map, receptive field — vì sao CNN hợp với ảnh.

ConvolutionPoolingFeature Map

Tiến hóa kiến trúc CNN

LeNet, AlexNet, VGG, GoogLeNet/Inception — con đường làm mạng sâu hơn và vấn đề gặp phải.

AlexNetVGGInception

ResNet — Residual Learning

Vấn đề suy thoái, skip connection, residual & bottleneck block, ResNet-50/101.

ResidualSkip ConnectionBottleneck

HRNet — High-Resolution Net

Duy trì độ phân giải cao xuyên suốt, nhiều nhánh song song & hợp nhất đa tỉ lệ — mạnh cho pose & segmentation.

High-ResolutionMulti-scaleFusion

Detection & Segmentation

R-CNN/Faster R-CNN, YOLO, SSD, FPN; FCN, U-Net, Mask R-CNN, DeepLab — phát hiện & phân vùng.

Faster R-CNNYOLOU-NetMask R-CNN

Vision Transformer (ViT)

Self-attention cho ảnh, patch embedding, ViT, Swin, DETR — cầu nối sang Transformer & LLM (Pha 3).

ViTAttentionSwin

3 ý cốt lõi

Local connectivity & weight sharing

CNN khai thác cấu trúc không gian của ảnh nhờ local connectivity + weight sharing — ít tham số mà vẫn nắm được đặc trưng cục bộ.

Residual connection khai thông

Mạng càng sâu càng mạnh nhưng khó huấn luyện → residual connection (ResNet) khai thông, cho phép xếp chồng hàng trăm lớp.

Giữ độ phân giải cao

Giữ độ phân giải cao (HRNet) rất quan trọng cho định vị & phân vùng chính xác — không để mất chi tiết khi downsample.