CHÚC MỪNG NHÓM SINH VIÊN, HỌC VIÊN NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN ĐĂNG TẠI TẠP CHÍ KHOA HỌC QUỐC TẾ JIHMSP (Q4)
Journal of Information Hiding and Multimedia Signal Processing (JIHMSP) là tạp chí khoa học quốc tế có phản biện (peer-reviewed), tập trung công bố các nghiên cứu trong lĩnh vực ẩn giấu thông tin và xử lý tín hiệu đa phương tiện. Tạp chí là diễn đàn học thuật dành cho các nhà nghiên cứu, giảng viên và chuyên gia trong các lĩnh vực: Information Hiding, Multimedia Signal Processing, Image Processing, Computer Vision, Artificial Intelligence, Machine Learning và các hướng nghiên cứu liên quan.
Các bài báo gửi đến tạp chí đều trải qua quy trình phản biện nghiêm ngặt nhằm đảm bảo chất lượng học thuật, tính mới và đóng góp kỹ thuật của nghiên cứu. Với phạm vi độc giả quốc tế, tạp chí góp phần thúc đẩy hợp tác nghiên cứu toàn cầu trong lĩnh vực bảo mật và xử lý dữ liệu đa phương tiện. Tạp chí được lập chỉ mục trong cơ sở dữ liệu Scopus với ISSN: 2073-4212.
Thông tin tạp chí: https://www.jihmsp.org
Tên bài báo: “From Classical CNNs to Modern Deep Architectures: Multiclass Plant Recognition on the BigPlants Dataset”
Sinh viên và học viên thực hiện:
- Phan Thành Công – MSSV: 22520170, lớp HTTT2022.1 – Tác giả chính
- Trần Vũ Bão – MSSV: 22520124, lớp HTTT2022.1 – Đồng tác giả
- Nguyễn Minh Nhựt – Học viên Cao học ngành Hệ thống Thông tin khóa 2022 – Đồng tác giả
- Phạm Huy Hùng – Học viên Cao học ngành Hệ thống Thông tin khóa 2024 – Đồng tác giả
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân
Abstract: Plant image classification remains a challenging task due to variations in lighting, complex backgrounds, and high visual similarity among species. This task is crucial for biodiversity research and medicinal plant identification. In this study, we present BigPlants-100, a newly curated dataset consisting of 100 plant species selected from the Vietnam Plant Database based on their medicinal and toxic importance. Using this dataset, we evaluated several state-of-the-art architectures, including ConvNeXt V2-Tiny, EfficientNetV2-S, ResNet-50, and ViT-B/16. Furthermore, we implemented a multi-teacher knowledge distillation framework to guide a MobileNetV3-Large student network. Experimental results demonstrate that the distilled student model achieves notable performance gains, improving both accuracy and macro F1-score from 0.849 to 0.894, while reducing training loss by more than 31% compared to individually trained models. These findings highlight the effectiveness of multi-teacher knowledge distillation in enhancing generalization and accuracy for large-scale multi-class plant image classification.
