CHÚC MỪNG NHÓM SINH VIÊN VÀ HỌC VIÊN CAO HỌC NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ MAPR 2026
MAPR 2026 (The 9th International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị quốc tế thường niên về phân tích đa phương tiện và nhận dạng mẫu (Multimedia Analysis and Pattern Recognition), do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng mẫu Việt Nam (VAPR), Trường ĐH Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST); IEEE là nhà tài trợ kỹ thuật (Technical Sponsor). Đây là lần tổ chức thứ 9. MAPR 2026 diễn ra tại Silk Path Grand Huế Hotel, số 2 Lê Lợi, phường Thuận Hóa, TP. Huế, ngày 13 – 14/08/2026.
MAPR 2026 là diễn đàn dành cho các nhà nghiên cứu và chuyên gia đến từ các trường đại học, viện nghiên cứu và doanh nghiệp để chia sẻ những kết quả nghiên cứu mới nhất, đồng thời thúc đẩy hợp tác trong các lĩnh vực trí tuệ nhân tạo (AI), nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://mapr.uit.edu.vn/
Kỷ yếu các kỳ trước (IEEE Xplore): https://ieeexplore.ieee.org/xpl/conhome/1825404/all-proceedings
Tên bài báo: “Efficient Hybrid Models for Multiclass Plant Recognition: From Mask-Guided Focusing to Mobile Deployment Optimization”
Sinh viên và học viên thực hiện:
- Phan Thành Công (MSSV: 22520170) – Lớp HTTT2022.1
- Trần Vũ Bão (MSSV: 22520124) – Lớp HTTT2022.1
- Nguyễn Minh Nhựt (MSSV: 220104018) – Học viên Cao học ngành Hệ thống Thông tin khóa 2022
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân
Abstract: Plant identification in natural environments is often hindered by complex background clutter, causing accuracy degradation in lightweight models suitable for mobile deployment. We propose a sequential hybrid framework using a mask-guided focusing strategy to isolate specimens and enhance classification accuracy. By integrating segmentation modules such as DeepLabv3, SegFormer-B4, and Mask2Former with classification backbones, our system concentrates on discriminative morphological features while suppressing environmental noise. Evaluation on BigPlants-100, a new curated dataset of 100 Vietnamese plant species, shows that our approach consistently outperforms standalone baselines. Specifically, the combination of ResNet-50 with DeepLabv3 achieved a 92.7% Macro F1- score, marking a 1.0% improvement at 512×512 resolution. Furthermore, hardware-aware optimizations via TensorRT and ONNX Runtime ensure high-speed mobile inference without compromising accuracy. Our findings demonstrate that maskguided focusing effectively bridges the gap between efficiency and accuracy, providing a robust solution for real-time biodiversity monitoring.
