Bài 2: Tìm kiếm và đánh giá thông tin học thuật

Xây dựng bộ kỹ năng tìm lọc thông tin từ các nguồn uy tín, đánh giá độ tin cậy của tài liệu nghiên cứu.

Họ và tên

Đỗ Hồng Anh

Trường/Lớp

Đại học Công nghệ, ĐHQGHN (UET)

Ngành học

Công nghệ Thông tin

I

Lựa chọn chủ đề và phạm vi tìm kiếm

1. Tên chủ đề

"Ứng dụng Computer Vision (Thị giác máy tính) trong Tự động hóa: Đánh giá và so sánh phương pháp Template Matching truyền thống với các mô hình mạng nơ-ron tích chập (CNN)."

2. Lý do chọn đề tài và tính thách thức

Trong bối cảnh Tự động hóa quy trình bằng robot (RPA) và kiểm thử phần mềm tự động, việc nhận dạng các thành phần trên giao diện người dùng (GUI) là một thách thức lớn khi giao diện thay đổi linh hoạt hoặc chạy trên các môi trường khác nhau. Em chọn đề tài này để tìm hiểu cách kết hợp giữa các thuật toán xử lý ảnh kinh điển (nhanh, ít tốn tài nguyên) và AI hiện đại (chính xác cao, linh hoạt) nhằm tối ưu hóa hiệu suất cho các hệ thống tự động hóa thực tế. Thách thức nằm ở việc cân bằng giữa độ trễ (latency) và độ chính xác trong các tác vụ thời gian thực.

3. Phạm vi tìm kiếm

Từ khóa chính

  • Computer Vision
  • Template Matching
  • Object Detection
  • CNN
  • OpenCV
  • GUI Automation

Giới hạn thời gian

2018 - 2026

Tập trung vào các tài liệu xuất bản mới nhất.

Ngôn ngữ

Tiếng Anh (chủ yếu)

Tiếng Việt

II

Quá trình tìm kiếm thông tin từ các nguồn

library_books

Cơ sở dữ liệu học thuật

Tìm kiếm tại thư viện số UET, IEEE Xplore, và ScienceDirect để lấy các bài báo có chỉ số uy tín cao.

article

Tạp chí / Kỷ yếu hội nghị

Theo dõi các bài đăng từ CVPR, ICCV và các tạp chí chuyên ngành về AI/Robotics.

menu_book

Sách chuyên khảo

Tra cứu các chương về Template Matching và CNN trong sách giáo trình của OpenCV và MIT Press.

language

Các nguồn mở Internet

Sử dụng Google Scholar, ResearchGate để tìm bản pre-print và các bài blog kỹ thuật uy tín (Towards Data Science).

history_edu

Nguồn mở rộng 1: arXiv

Cập nhật các thuật toán YOLO và CNN mới nhất chưa qua bình duyệt chính thức nhưng có tầm ảnh hưởng lớn.

terminal

Nguồn mở rộng 2: GitHub

Kiểm tra mã nguồn thực tế và benchmark hiệu năng của các phương pháp được đề xuất trong bài báo.

III

Bảng đánh giá và phân tích độ tin cậy

STT Phân loại Tên tài liệu / Nguồn Đánh giá (TG, CQ, PP, TD, CN) Xếp hạng
1 Journal (Q1) "Deep Learning" - MIT Press (Goodfellow et al.) 5/5/5/5/5 Cao
2 Conference "Deep Residual Learning for Image Recognition" - CVPR 5/5/5/5/5 Cao
3 Book "Learning OpenCV 4" - O'Reilly 5/5/4/5/4 Cao
4 Conference "YOLOv3: An Incremental Improvement" - arXiv/CVPR 4/4/5/5/5 Cao
5 Journal "A Review of Object Detection Models" - IEEE Access 5/4/5/4/5 Cao
6 ArXiv "YOLOv10: Real-Time End-to-End Object Detection" 4/3/5/5/5 Khá
7 Open Source OpenCV Documentation - Template Matching Guide 5/5/4/4/5 Cao
8 GitHub Ultralytics YOLOv8 Repository 4/4/5/5/5 Cao
9 Blog (Expert) PyImageSearch - "Template Matching with OpenCV" 4/4/4/5/4 Khá
10 Conference "Rich feature hierarchies for object detection" - CVPR 5/5/5/4/3 Khá
11 Technical Report "EfficientNet: Rethinking Model Scaling" - ICML 5/5/5/5/5 Cao
12 Website Towards Data Science - "Object Detection 101" 3/2/4/5/5 Trung bình

Phân tích Ưu điểm

  • check_circle IEEE/Springer/MIT Press: Độ tin cậy tuyệt đối nhờ quy trình phản biện nghiêm ngặt, cung cấp nền tảng lý thuyết vững chắc về toán học và thuật toán.
  • check_circle arXiv: Cung cấp các nghiên cứu mang tính thời đại, đi đầu trong lĩnh vực AI vốn thay đổi theo từng tháng.

Hạn chế cần lưu ý

  • warning Internet & Blog: Dễ tiếp cận nhưng cần kiểm chứng mã nguồn vì có thể không tối ưu hoặc chứa lỗi logic.
  • warning Sách chuyên khảo: Có độ trễ về công nghệ so với các bài báo hội nghị mới nhất (SOTA).
IV

Danh mục tài liệu tham khảo

[1]

Bradski, G., & Kaehler, A. (2020). Learning OpenCV 4: Computer Vision with the OpenCV Library. O'Reilly Media.

[2]

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Available at: http://www.deeplearningbook.org

[3]

He, K., Zhang, X., Ren, S., & Sun, J. (2016). "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR), 770-778.

[4]

Redmon, J., & Farhadi, A. (2018). "YOLOv3: An incremental improvement." arXiv preprint arXiv:1804.02767.

[5]

Ren, S., He, K., Girshick, R., & Sun, J. (2015). "Faster R-CNN: Towards real-time object detection with region proposal networks." Advances in neural information processing systems (NIPS), 28, 91-99.

[6]

Tan, M., & Le, Q. (2019). "Efficientnet: Rethinking model scaling for convolutional neural networks." International conference on machine learning (ICML), 6105-6114. PMLR.

[7]

Wang, C. Y., Yeh, I. H., & Liao, H. Y. M. (2024). "YOLOv10: Real-Time End-to-End Object Detection." arXiv preprint arXiv:2405.14458.

[8]

OpenCV Team. (2024). "Template Matching." OpenCV Documentation. [Online]. Available: https://docs.opencv.org/4.x/d4/dc6/tutorial_py_template_matching.html

[9]

Rosebrock, A. (2021). "Multi-scale Template Matching with OpenCV." PyImageSearch. [Online]. Available: https://pyimagesearch.com

[10]

Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). "Rich feature hierarchies for accurate object detection and semantic segmentation." CVPR.

[11]

Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). "Object detection with deep learning: A review." IEEE transactions on neural networks and learning systems, 30(11), 3212-3232.