CHÚC MỪNG SINH VIÊN LỚP HTTT2023.1 KHOA 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: “An accuracy–efficiency trade-off study of lightweight CNNs for plant leaf disease classification”

Sinh viên thực hiện: Lê Nguyễn Thuý An – MSSV: 23520009 – Lớp HTTT2023.1

Giảng viên hướng dẫn: ThS. Nguyễn Thị Kim Phụng

Abstract: Plant leaf disease classification is important for early diagnosis and crop management, but deploying Convolutional Neural Network (CNN) models in resource-constrained settings remains limited by memory and latency constraints. This paper presents Latency-CNN, a lightweight architecture that combines early spatial downsampling, depthwise separable convolutions, and a compact Global Average Pooling (GAP)-based classifier. Rather than introducing a new convolutional operator, this study evaluates a deployment-oriented configuration of existing lightweight components under practical CPU efficiency constraints. On a 15-class PlantVillage-derived dataset, LatencyCNN achieves 95.98% accuracy with 107K parameters, a 0.41 MiB FP32 size, 0.156 GFLOPs, 0.078 GMACs, and 1.90 ms/image CPU latency. TensorFlow Lite dynamic-range quantization further reduces the model size to 0.136 MiB and latency to 1.56 ms/image while maintaining comparable accuracy at 96.07%. Additional component-level ablations show that replacing depthwise separable convolutions with standard Conv2D improves accuracy to 97.81% but increases computation and latency, while replacing the compact classifier with a Flatten-based classifier substantially increases model size. Synthetic perturbation results show sensitivity to low illumination, with accuracy dropping to 76.04% under 0.65× brightness. These results suggest that Latency-CNN is a possible lightweight configuration for accuracy–efficiency trade-off analysis under controlled evaluation conditions, while illumination-aware training and real-field validation remain necessary before deployment claims can be made.