Chúc mừng nhóm sinh viên lớp HTTT2020 có bài báo tại Hội nghị quốc tế đa ngành về Trí tuệ Nhân tạo lần thứ 17 (MIWAI 2024)
The 17th Multi-Disciplinary International Conference on Artificial Intelligence – MIWAI là một hội nghị quốc tế uy tín trong lĩnh vực trí tuệ nhân tạo (AI), đã tồn tại hơn 16 năm. Hội nghị tạo ra một diễn đàn để các nhà nghiên cứu, nhà phát triển, và chuyên gia trong ngành gặp gỡ, trao đổi và chia sẻ những nghiên cứu, tiến bộ công nghệ và các thách thức thực tiễn trong việc ứng dụng AI vào các vấn đề phức tạp của đời sống. MIWAI không chỉ là nơi các học giả có thể trình bày công trình nguyên bản của mình, mà còn là cơ hội để họ nhận được phản hồi từ một hội đồng chương trình uy tín quốc tế. Hội nghị còn giúp sinh viên nghiên cứu tiếp cận với các nghiên cứu tiên tiến và nhận phản hồi từ các chuyên gia quốc tế.
Hội nghị quốc tế đa ngành về Trí tuệ nhân tạo lần thứ 17 (MIWAI 2024) sẽ diễn ra từ ngày 11/11/2024 đến 15/11/2024 tại thành phố Pattaya, Thái Lan. Các bài báo được chấp nhận sẽ được trình bày trong hai ngày 13/11 và 14/11, với hình thức trình bày trực tiếp tại hội nghị hoặc trực tuyến. Vào ngày 12/11 sẽ diễn ra các hội thảo chuyên đề, trong khi ngày 15/11 sẽ dành cho các buổi hướng dẫn chuyên sâu.
Link hội nghị: https://miwai24.miwai.org/
Tên bài báo: “Ensemble method for Optical Coherence Tomography Scan classification using fuzzy functions”
Nhóm sinh viên thực hiện:
- 20521779, Trần Ngọc Mỹ Phương, HTTT2020
- 20521825, Đoàn Tú Quỳnh, HTTT2020
Giảng viên hướng dẫn: ThS. Dương Phi Long
Abstract: This research presents a comprehensive approach to classifying optical coherence tomography (OCT) images using advanced deep learning techniques. The primary objective is to enhance the accuracy and efficiency of detecting retinal diseases. The proposed method involves a multi-stage classification process that integrates several state-of-the-art architectures, including Inception-v3, ResNet-50, DenseNet-201, and EfficientNet-B3, to extract and learn hierarchical features from OCT images. Subsequently, an Ensemble method was applied by replacing and improving several fuzzy functions. In addition to the five ensemble methods referenced, we propose two enhanced versions with improved performance. We also advocate using the Weighted Average F1-score as one of the performance evaluation criteria. Extensive experiments demonstrate that the ensemble approach significantly outperforms individual models, achieving superior classification performance. The results indicate that the proposed method effectively distinguishes between different retinal conditions with high precision and recall, marking a substantial improvement over existing methods.
