ComputerVision_HCMUT

BÀI TẬP LỚN SỐ 1

Phân loại Ảnh, Văn bản & Đa phương thức

---

👥 THÔNG TIN NHÓM

• Nhóm: GROUP_11
• Thành viên:
  • Nguyễn Huy Hoàng - 2570197
  • Nguyễn Anh Khoa - 2211612
• Giảng viên: Lê Thành Sách

---

🎥 DEMO & PRESENTATION

• 🔗 Video Demo:
  👉 Xem tại đây

• 🔗 Video Báo Cáo (YouTube):
  👉 Xem tại đây

---

💻 SOURCE CODE

• 🔗 GitHub Repository:
  👉 Xem tại đây

---

📑 NỘI DUNG BÁO CÁO

Nội dung bao gồm:

• 📊 Exploratory Data Analysis (EDA)
• ⚙️ Dataset, Dataloader & Preprocessing
• 🤖 Model Training & Fine-tuning
• 📈 Evaluation & Comparison
• 🧠 Discussion & Analysis
• 🧠 Error Analysis
• 🧠 Tuning Strategy Comparison

---

1. IMAGE DATASET (CNN vs ViT)

• So sánh hai nhóm mô hình:
  • CNN (ResNet, MobileNet)
  • Vision Transformer (ViT)
• Sử dụng pretrained + fine-tune
• Pipeline training và evaluation
• Đánh giá và so sánh:
  • Accuracy, Loss
  • Biểu đồ training
  • Hiệu năng so với mô hình MobileNet

• Biểu đồ

2. TEXT DATASET (RNN vs Transformer)

• So sánh hai nhóm mô hình:
  • RNN (LSTM / BiLSTM)
  • Transformer (BERT, DistilBERT,…)
• Xử lý dữ liệu:
  • Tokenization, Padding, Embedding (Glove)
• Đánh giá:
  • Accuracy, F1-score
• Finetune:
  • Freeze Backbone, Unfreeze All
• Hiệu năng các mô hình:
  • Model size, Infer-time, …
• Phân tích lỗi
• Pipeline training và evaluation

---

3. MULTIMODAL (Zero-shot vs Few-shot)

• So sánh hai cách tiếp cận:
  • Zero-shot (CLIP,…)
  • Few-shot (fine-tune với ít dữ liệu)
• Đánh giá:
  • Accuracy
  • Khả năng tổng quát hóa

• Pipeline training và evaluation

📌 TỔNG KẾT

• So sánh tổng thể:
  • CNN vs ViT
  • RNN vs Transformer
  • Zero-shot vs Few-shot
• Insight chính:
  • Hiệu quả từng loại mô hình theo từng bài toán
  • Trade-off giữa performance và chi phí tính toán
• Hạn chế:
  • Dataset nhỏ / chưa đa dạng
  • Chưa tối ưu hyperparameter toàn diện