Bối cảnh và vấn đề nghiên cứu

Sự phát triển mạnh mẽ của hệ thống camera giám sát tại các khu dân cư, địa điểm công cộng, cơ quan công quyền, nhà máy xí nghiệp cũng như trong các ứng dụng Internet of Things (IoT) như quan trắc môi trường hay tìm kiếm cứu nạn đã tạo ra một khối lượng dữ liệu video khổng lồ được ghi nhận liên tục 24/7. Phần lớn dữ liệu video thu được từ các camera này chỉ ghi lại các phân cảnh tĩnh hoặc các hoạt động lặp lại không chứa biến cố, trong khi các sự kiện quan trọng chỉ chiếm một tỷ lệ rất nhỏ. Thực tế này dẫn đến hai khó khăn lớn: việc lưu trữ toàn bộ dữ liệu thô gây lãng phí dung lượng bộ nhớ, và việc con người phải duyệt qua các video có thời lượng dài để truy xuất dữ liệu quá khứ tiêu tốn nhiều thời gian, dễ gây xao nhãng dẫn tới việc bỏ sót thông tin quan trọng trong các tình huống khẩn cấp.

Để giải quyết vấn đề trên, hai hướng nghiên cứu chính đã được phát triển gồm Tóm tắt video (Video Summarization) và Tua nhanh video (Video Fast Forwarding):

  • Hướng Video Summarization tập trung vào việc nhận diện các phân đoạn quan trọng và ghép nối chúng lại với nhau, loại bỏ hoàn toàn các đoạn còn lại; phương pháp này đòi hỏi phải tải và xử lý toàn bộ video, gây tiêu tốn tài nguyên và khó đáp ứng yêu cầu xử lý trực tuyến.
  • Hướng Video Fast Forwarding truyền thống điều chỉnh tốc độ phát lại video dựa trên phân tích chuyển động hoặc ngữ nghĩa, song đa số vẫn yêu cầu xử lý toàn bộ các khung hình (frame).

Nhằm khắc phục các nhược điểm trên, mô hình FFNet (Fast-Forwarding Network) được đề xuất như một giải pháp tiên phong áp dụng kỹ thuật Học tăng cường (Reinforcement Learning - RL) cho bài toán tua nhanh video. FFNet không xử lý toàn bộ video mà chỉ trích xuất và phân tích một số khung hình đại diện, sau đó quyết định số lượng khung hình tiếp theo cần bỏ qua. Tuy nhiên, mô hình FFNet nguyên bản vẫn còn tồn tại các hạn chế liên quan đến chi phí tính toán của bộ trích xuất đặc trưng, khả năng biểu diễn của mạng tác tử, công thức hàm điểm thưởng và chất lượng biên tập nội dung ở khâu hậu kỳ.

Khóa luận tốt nghiệp của sinh viên Nguyễn Văn Chính và Nguyễn Đình Bình An, dưới sự hướng dẫn của TS. Lương Ngọc Hoàng tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, tập trung giải quyết bài toán cải tiến mô hình FFNet với các nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu và thay thế mô hình mạng nơ-ron tích chập (CNN) rút trích đặc trưng bằng kiến trúc hiệu quả hơn nhằm giảm chi phí tài nguyên tính toán.
  2. Cải tiến kiến trúc mạng của tác tử (Agent) ra quyết định hành động bằng các mô hình mạng nơ-ron hồi quy (RNN/LSTM) thay thế cho mạng Perceptron đa tầng (MLP).
  3. Cải tiến công thức hàm điểm thưởng (Reward Function) trong học tăng cường để tối ưu hóa quá trình huấn luyện và cân bằng giữa các mục tiêu đánh giá.
  4. Nghiên cứu cải tiến công đoạn xử lý hậu kỳ (Post-processing) nhằm nâng cao tính liền mạch và chất lượng nội dung của video tóm tắt đầu ra.
  5. Thực nghiệm, so sánh và đánh giá mô hình cải tiến trên nhiều bộ dữ liệu video chuẩn.
  6. Xây dựng ứng dụng web mô phỏng có khả năng tiếp nhận luồng video trực tiếp để tạo bản tóm tắt gần sát với thời gian thực.

Đối tượng nghiên cứu của đề tài bao gồm các bộ dữ liệu video học có giám sát (đã được gán nhãn thủ công), các mô hình mạng nơ-ron tích chập (AlexNet, MobileNet-v3), các mô hình mạng nơ-ron hồi quy tuần tự (RNN, LSTM, GRU), thuật toán học tăng cường Deep Q-Learning Network (DQN) và các phương pháp thuộc nhóm Video Summarization/Fast Forwarding. Phạm vi nghiên cứu được thực hiện trong thời gian từ ngày 01/09/2022 đến ngày 01/01/2023.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng kết hợp giữa học sâu (Deep Learning) và học tăng cường (Reinforcement Learning - RL):

1. Học tăng cường và thuật toán Deep Q-Network (DQN)

Học tăng cường là phương pháp học máy trong đó tác tử (Agent) tương tác trực tiếp với môi trường (Environment) thông qua cơ chế thử và sai để tối đa hóa tổng điểm thưởng tích lũy kỳ vọng $R$:

$$R = \sum_{k=0}^{\infty} (\gamma^k \cdot r_k)$$

Trong đó $r_k$ là điểm thưởng tức thời tại bước $k$, và $\gamma \in (0, 1]$ là hệ số chiết khấu (discount factor) nhằm giảm dần trọng số của các phần thưởng ở tương lai xa, đảm bảo sự hội tụ.

Tác giả phân tích hai hướng tiếp cận chính của RL:

  • Hướng tiếp cận dựa trên mô hình (Model-based): Dựa trên việc học hàm xác suất chuyển đổi trạng thái $T(s'|s, a)$ và hàm điểm thưởng $r(s, a, s')$, phù hợp với môi trường tĩnh có thể mô phỏng trước.
  • Hướng tiếp cận không dựa trên mô hình (Model-free): Tác tử trực tiếp học chiến lược (Policy) hoặc hàm giá trị hành động thông qua kinh nghiệm thực tế mà không cần giả định trước quy luật môi trường.

Khóa luận sử dụng thuật toán Deep Q-Learning Network (DQN) thuộc nhóm Model-free. DQN sử dụng mạng nơ-ron sâu để xấp xỉ hàm giá trị $Q(s, a)$ thay cho bảng tra cứu ma trận Q-Value truyền thống, cho phép xử lý không gian trạng thái liên tục và vô hạn. Chiến lược lựa chọn hành động tuân theo cơ chế khám phá $\epsilon$-greedy: tác tử chọn hành động ngẫu nhiên với xác suất $\epsilon$ và chọn hành động có giá trị $Q(s, a)$ cao nhất với xác suất $1 - \epsilon$. Trong quá trình huấn luyện, giá trị $\epsilon$ khởi tạo bằng 1.0 và giảm dần $0.00001$ sau mỗi batch dữ liệu kích thước 128 cho đến khi đạt ngưỡng tối thiểu.

2. Mạng nơ-ron tích chập (CNN) và kiến trúc AlexNet

Mạng CNN được ứng dụng để trích xuất đặc trưng thị giác từ các khung hình nhờ ba đặc tính: tính bất biến với các phép biến đổi hình học (dịch chuyển, xoay, co giãn), tính bảo toàn cấu trúc không gian và tính kết hợp cục bộ thông qua các lớp tích chập (Convolutional Layer) và lớp gộp (Pooling Layer).

Trong mô hình FFNet gốc, mạng AlexNet được lựa chọn làm công cụ rút trích đặc trưng. AlexNet gồm 5 lớp tích chập xen kẽ 3 lớp Overlapping Max Pooling, sử dụng hàm kích hoạt ReLU và kỹ thuật Dropout. Đầu vào của AlexNet là ảnh RGB kích thước $224 \times 224$ pixels được chuẩn hóa về đoạn $[-1, 1]$. FFNet loại bỏ lớp Fully Connected cuối cùng (1000 units phân loại của ImageNet) và lớp ReLU kế cuối để trích xuất ra một vectơ đặc trưng gồm 4096 chiều đại diện cho mỗi khung hình.

3. Mạng nơ-ron hồi quy (RNN, LSTM, GRU)

Đối với dữ liệu có tính tuần tự thời gian như video, việc xử lý từng khung hình độc lập bằng mạng truyền thẳng (MLP) không ghi nhận được ngữ cảnh lịch sử của các khung hình đã duyệt qua. Mạng nơ-ron hồi quy cập nhật trạng thái ẩn $h_t$ tại thời điểm $t$ dựa trên đầu vào hiện tại $x_t$ và trạng thái ẩn liền trước $h_{t-1}$:

$$h_t = f(W \cdot h_{t-1} + U \cdot x_t)$$

Để khắc phục hiện tượng triệt tiêu đạo hàm (vanishing gradient) khi chuỗi dữ liệu kéo dài, các kiến trúc cải tiến như Long Short-Term Memory (LSTM) với các cổng đóng mở thông tin (cổng quên, cổng vào, cổng ra) và Gated Recurrent Unit (GRU) được đưa vào nghiên cứu nhằm thay thế khối MLP của tác tử.

4. Phương pháp thực nghiệm và nguồn dữ liệu

Nghiên cứu áp dụng phương pháp thực nghiệm mô hình hóa bài toán tua nhanh video thành tiến trình quyết định Markov (MDP):

  • Trạng thái ($s$): Vectơ đặc trưng trích xuất từ khung hình đang xét.
  • Hành động ($a$): Số lượng khung hình tiếp theo mà tác tử quyết định bỏ qua, thuộc không gian rời rạc $A = {1, 2, \dots, 25}$.
  • Hàm điểm thưởng ($r$): Tín hiệu đánh giá quyết định nhảy khung hình dựa trên nhãn nhị phân ($0$ hoặc $1$) của khung hình trong tập dữ liệu có giám sát.
  • Vòng chơi (Episode): Toàn bộ quá trình duyệt qua một video từ khung hình đầu đến khung hình cuối.

Nguồn dữ liệu thực nghiệm bao gồm: bộ dữ liệu ImageNet dùng để tiền huấn luyện các mạng CNN trích xuất đặc trưng; các bộ dữ liệu chuẩn cho bài toán đánh giá tóm tắt video gồm TVSum, Tour20 và CoSum.

Thiết kế và triển khai

Hệ thống được thiết kế và triển khai qua hai cấu phần chính: cấu trúc mô hình thuật toán cải tiến và ứng dụng web mô phỏng thực nghiệm.

1. Kiến trúc mô hình cải tiến

Quy trình xử lý của mô hình cải tiến gồm bốn khối chức năng liên hoàn:

  • Khối rút trích đặc trưng (Feature Extractor): Thay thế mạng AlexNet cồng kềnh (khoảng 60 triệu tham số) bằng mô hình MobileNet-v3 (phiên bản MobileNet-v3 Large 1.0). Kiến trúc này tối ưu hóa số lượng phép tính dấu phẩy động (FLOPs) và dung lượng bộ nhớ thông qua các khối tích chập tách biệt theo chiều sâu (Depthwise Separable Convolution) kết hợp cơ chế chú ý Squeeze-and-Excitation (SE), giúp trích xuất các biểu diễn thị giác chất lượng cao với độ trễ thấp.
  • Khối tác tử ra quyết định (Agent Network): Thay thế mạng MLP truyền thẳng bằng kiến trúc mạng nơ-ron hồi quy LSTM. Mạng LSTM nhận đầu vào là vectơ đặc trưng của khung hình hiện tại và duy trì trạng thái ẩn qua các bước nhảy, giúp tác tử nắm bắt được xu hướng biến đổi nội dung của video trước khi dự đoán giá trị $Q(s, a)$ cho 25 hành động bỏ qua khung hình.
  • Khối hàm điểm thưởng cải tiến: Thiết lập lại hàm phần thưởng nhằm dung hòa giữa việc thu nhận khung hình chứa nội dung quan trọng và tránh việc bỏ sót các sự kiện diễn ra nhanh:
    • Hình phạt bỏ qua (Skip Penalty - $SP$): Phạt tác tử khi bỏ qua các khung hình có nhãn quan trọng ($I(i) = 1$): $$SP_k = \frac{\sum_{i \in t_k} I(i)}{T}$$ với $t_k$ là tập các khung hình bị bỏ qua tại bước $k$, và $T = 25$ là số khung hình tối đa có thể nhảy.
    • Phần thưởng tiếp cận (Hit Reward - $HR$): Đánh giá mức độ tập trung của các khung hình quan trọng xung quanh vị trí hạ cánh $z$ thông qua hàm phân phối chuẩn Gaussian với bán kính cửa sổ $w = 4$, độ lệch chuẩn $\sigma = 1$: $$HR_k = \sum_{i = z - w}^{z + w} (I(i) \cdot g(i - z))$$
    • Thành phần điều chỉnh: Bổ sung tham số cân bằng giữa độ chính xác (Precision) và độ bao phủ (Recall), đồng thời xử phạt các bước nhảy dài không hợp lý khi video bước vào phân đoạn có mật độ thay đổi thông tin cao.
  • Khối xử lý hậu kỳ (Post-processing): Tinh chỉnh danh sách các khung hình được chọn nhằm loại bỏ hiện tượng giật cục và đứt quãng nội dung. Khâu hậu kỳ tiến hành phân tích độ tương đồng giữa các khung hình kề cận, làm mượt các đoạn chuyển cảnh và ghép nối các phân đoạn tóm tắt thành video hoàn chỉnh có tốc độ hiển thị tự nhiên.

2. Triển khai ứng dụng web mô phỏng

Nhóm tác giả thiết kế và xây dựng một ứng dụng web mô phỏng nhằm kiểm chứng khả năng ứng dụng thực tế:

  • Giao diện người dùng: Cung cấp bảng điều khiển cho phép tải lên tệp video hoặc kết nối trực tiếp với luồng dữ liệu camera giám sát. Hiển thị song song video gốc và video tóm tắt đầu ra cùng các biểu đồ thống kê về tỷ lệ nén, số khung hình đã xử lý và tốc độ khung hình (FPS).
  • Cơ chế xử lý luồng: Ứng dụng tích hợp mô hình cải tiến tại tầng máy chủ, tiếp nhận các luồng khung hình liên tục, áp dụng quy trình trích xuất đặc trưng nhẹ và đưa ra dự đoán bước nhảy khung hình trực tuyến. Video tóm tắt được kết xuất liên tục với độ trễ thấp, đáp ứng tiêu chí gần sát với thời gian thực.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 phân tích thực trạng bùng nổ dữ liệu từ camera giám sát trong đời sống và các hệ thống IoT, chỉ rõ sự bất cập của phương thức lưu trữ toàn bộ dữ liệu và quy trình rà soát video thủ công. Tác giả phân loại và đối chiếu hai nhóm giải pháp Video Summarization và Video Fast Forwarding, nêu bật ưu thế của mô hình FFNet khi chỉ xử lý một phần khung hình thay vì toàn bộ video. Chương này xác định rõ mục tiêu, đối tượng, phạm vi nghiên cứu, phương pháp tiếp cận và cấu trúc tổng thể của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng toán học và kỹ thuật của các thành phần cốt lõi:

  • Phân tích nguyên lý học tăng cường, đối chiếu bản chất giữa phương pháp Model-based và Model-free dựa trên các thực nghiệm tâm lý học kinh điển (thí nghiệm mở hộp của Thorndike và mê cung của Tolman).
  • Thiết lập công thức toán học của thuật toán Deep Q-Network, hàm sai phân thời gian Temporal Difference ($TD$), cơ chế cân bằng giữa khám phá và khai thác thông qua tham số $\epsilon$.
  • Mô tả cấu trúc mạng nơ-ron hồi quy RNN, hiện tượng triệt tiêu đạo hàm và cơ chế khắc phục của LSTM/GRU.
  • Trình bày nguyên lý hoạt động của các lớp trong mạng tích chập CNN (tích chập, gộp Max/Average Pooling) và phân tích sâu cấu trúc của mạng AlexNet (các bộ lọc tích chập, kích thước đặc trưng, tham số tính toán và các kỹ thuật chống overfitting như Data Augmentation, Dropout).

Chương 3: Cải tiến mô hình FFNet

Chương 3 đi sâu vào thuật toán nguyên bản của FFNet và luận giải các điểm cải tiến:

  • Chi tiết hóa quá trình mô hình hóa bài toán tua nhanh video thành môi trường RL: định nghĩa không gian trạng thái vô hạn, không gian hành động rời rạc $[1, 25]$, hàm tính phạt $SP$ và thưởng $HR$.
  • Phân tích sự hạn chế của AlexNet về độ trễ và dung lượng tham số, từ đó đề xuất thay thế bằng MobileNet-v3 Large 1.0 với các cải tiến về Depthwise Separable Convolution và Squeeze-and-Excitation.
  • Trình bày kiến trúc cải tiến của khối tác tử ra quyết định khi áp dụng LSTM thay cho mạng MLP để nắm bắt quan hệ phụ thuộc chuỗi khung hình.
  • Phân tích sự đánh đổi giữa độ đo Precision và Recall trong hàm điểm thưởng, đề xuất hàm phần thưởng điều chỉnh nhằm tối ưu hóa hành vi nhảy khung hình của tác tử.
  • Thiết lập quy trình xử lý hậu kỳ (Post-processing) mới nhằm nâng cao tính liên tục về mặt thị giác của video kết quả.

Chương 4: Huấn luyện và đánh giá mô hình

Chương 4 tập trung vào quy trình thực nghiệm và các kết quả định lượng:

  • Giới thiệu đặc tính các bộ dữ liệu chuẩn (TVSum, Tour20, CoSum) cùng thống kê tốc độ khung hình (fps trung bình).
  • Thiết lập môi trường huấn luyện, các siêu tham số của thuật toán DQN và giao thức đánh giá.
  • Trình bày kết quả đánh giá thực nghiệm đa chiều: so sánh hiệu năng giữa AlexNet và MobileNet-v3 trên bộ dữ liệu ImageNet và trên các tập dữ liệu video; đánh giá cấp độ khung hình (frame-level evaluation); đánh giá cấp độ đoạn video (segment-level evaluation); đánh giá độ bao phủ nội dung (Coverage Evaluation).
  • Đánh giá thời gian xử lý thực tế trên video mẫu thuộc tập TVSum.
  • Trình bày kiến trúc, giao diện và kết quả thử nghiệm của ứng dụng web mô phỏng khi vận hành trên luồng video trực tiếp.

Chương 5: Kết luận

Chương 5 đúc kết các kết quả đạt được của khóa luận, thẳng thắn chỉ ra các điểm còn hạn chế của mô hình và phác thảo các định hướng nghiên cứu tiếp theo nhằm nâng cao chất lượng bài toán tua nhanh video.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu nghiên cứu đề ra và thu được các kết quả cụ thể thông qua hệ thống thực nghiệm:

1. Kết quả thực nghiệm trích xuất đặc trưng

Nghiên cứu đã chứng minh tính hiệu quả vượt trội của MobileNet-v3 Large 1.0 khi thay thế cho AlexNet trong bài toán rút trích đặc trưng khung hình:

Đặc tính / Chỉ số AlexNet (Mô hình gốc) MobileNet-v3 Large 1.0 (Cải tiến) Ý nghĩa kỹ thuật
Kích thước đầu vào $224 \times 224$ pixels $224 \times 224$ pixels Chuẩn hóa ảnh đồng nhất
Số lượng tham số Khoảng 60 triệu Tối ưu hóa sâu Giảm đáng kể dung lượng bộ nhớ
Đặc trưng trích xuất Vectơ 4096 chiều Vectơ nén tối ưu Tăng tốc độ tính toán cho tác tử
Hiệu năng xử lý Tiêu tốn nhiều FLOPs Giảm tải FLOPs Hỗ trợ xử lý gần thời gian thực

2. Hiệu quả cải tiến mô hình FFNet

  • Đánh giá cấp độ khung hình (Frame-level) và đoạn (Segment-level): Việc tích hợp mạng LSTM cho tác tử và tối ưu hóa hàm điểm thưởng giúp mô hình lựa chọn các bước nhảy chính xác hơn, gia tăng tỷ lệ giữ lại các khung hình mang nhãn quan trọng trong khi giảm thiểu số khung hình tĩnh không cần thiết trên cả ba tập dữ liệu TVSum, Tour20 và CoSum.
  • Độ bao phủ nội dung (Coverage Evaluation): Mô hình cải tiến đạt mức độ bao phủ nội dung tốt hơn so với mô hình FFNet gốc, giữ vững được cấu trúc diễn biến của video gốc mà không làm mất các sự kiện then chốt.
  • Công đoạn xử lý hậu kỳ: Sau khi áp dụng thuật toán hậu kỳ mới, các chỉ số đánh giá cấp độ khung hình và phân đoạn đều ghi nhận sự cải thiện rõ rệt, hiện tượng ngắt quãng nội dung thị giác giảm đáng kể.
  • Thời gian xử lý: Thử nghiệm trên các video thuộc tập dữ liệu TVSum cho thấy tốc độ xử lý khung hình tăng lên, thời gian trễ giảm xuống, đáp ứng được tiêu chuẩn vận hành trực tuyến.

3. Đóng góp khoa học và ứng dụng thực tiễn

  • Hệ thống hóa toàn diện cơ sở lý thuyết về việc kết hợp mạng nơ-ron tích chập, mạng nơ-ron hồi quy và học tăng cường cho bài toán Video Fast Forwarding.
  • Đề xuất thành công việc chuyển đổi mô hình trích xuất đặc trưng sang MobileNet-v3 và bổ sung mạng hồi quy LSTM cho khối tác tử ra quyết định của FFNet.
  • Tinh chỉnh hàm điểm thưởng và hoàn thiện khâu xử lý hậu kỳ giúp nâng cao chất lượng nội dung video tóm tắt.
  • Mở rộng phạm vi đánh giá trên nhiều tập dữ liệu đa dạng hơn so với công bố gốc của FFNet.
  • Hiện thực hóa thành công sản phẩm ứng dụng web mô phỏng có khả năng tiếp nhận và xử lý video trực tiếp.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Phụ thuộc vào dữ liệu có giám sát: Quá trình huấn luyện mô hình và tính toán hàm điểm thưởng ($SP$ và $HR$) vẫn đòi hỏi tập dữ liệu phải được con người đánh nhãn thủ công từng khung hình (nhãn 0 hoặc 1), gây khó khăn khi triển khai trên các nguồn dữ liệu mới chưa được gán nhãn.
  • Giới hạn không gian hành động: Không gian hành động cố định trong phạm vi bước nhảy từ 1 đến 25 khung hình ($a \in [1, 25]$) có thể chưa tối ưu đối với các video có nhịp độ chuyển động quá chậm hoặc các biến cố diễn ra cực kỳ nhanh.
  • Tài nguyên biên: Mặc dù MobileNet-v3 đã giảm tải đáng kể phép tính, việc chạy đồng thời mô hình trích xuất đặc trưng, mạng tác tử và khâu hậu kỳ trên các thiết bị phần cứng nhúng công suất thấp tại trạm giám sát vẫn còn là một thử thách.

2. Hướng nghiên cứu tiếp

  • Nghiên cứu áp dụng các phương pháp học tăng cường không giám sát (Unsupervised RL) hoặc tự giám sát (Self-supervised Learning) để loại bỏ sự phụ thuộc vào nhãn gán thủ công của con người.
  • Thử nghiệm các kiến trúc mạng thị giác tiên tiến hơn như Vision Transformer (ViT) dạng thu nhỏ cho tác vụ trích xuất đặc trưng.
  • Mở rộng không gian hành động linh hoạt theo tốc độ thay đổi nội dung thực tế của video.
  • Tối ưu hóa mô hình bằng các kỹ thuật lượng tử hóa (Quantization) và tỉa nhánh (Pruning) để triển khai trực tiếp trên các thiết bị phần cứng biên (Edge AI / IoT).

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị học thuật và kỹ thuật thực tiễn cho nhiều nhóm đối tượng:

  • Sinh viên và học viên ngành Khoa học Máy tính, Trí tuệ Nhân tạo, Công nghệ Thông tin: Là tài liệu tham khảo chi tiết về phương pháp mô hình hóa một bài toán thị giác máy tính phức tạp thành môi trường học tăng cường (MDP, State, Action, Reward Function).
  • Các nhóm nghiên cứu về xử lý video và camera thông minh: Đáng tham khảo ở Chương 2 và Chương 3 về phân tích toán học của hàm điểm thưởng Hit Reward/Skip Penalty, cũng như kỹ thuật chuyển đổi giữa các kiến trúc mạng CNN (AlexNet sang MobileNet) và RNN (MLP sang LSTM) để tối ưu hóa hiệu năng tính toán.
  • Kỹ sư phát triển phần mềm và hệ thống giám sát an ninh: Có thể tham khảo thiết kế hệ thống và quy trình triển khai tại Chương 4 để xây dựng các giải pháp tóm tắt video trực tuyến tích hợp vào camera giám sát hoặc các trạm điều hành thông minh.

Câu hỏi thường gặp

1. Vì sao mô hình FFNet không cần phải xử lý toàn bộ các khung hình trong video đầu vào?

FFNet hoạt động theo cơ chế nhảy cóc dựa trên học tăng cường: tại khung hình đang xét, mô hình trích xuất đặc trưng và tác tử sẽ dự đoán một hành động là số lượng khung hình tiếp theo cần bỏ qua (từ 1 đến 25 khung hình). Những khung hình nằm trong khoảng bỏ qua này sẽ không được đưa qua mạng nơ-ron để trích xuất hay phân tích, và cũng không được đưa vào video kết quả. Tác tử nhảy thẳng tới khung hình tiếp theo sau khoảng cách đó, lặp lại quy trình cho đến hết video, nhờ đó tiết kiệm được phần lớn năng lực tính toán và thời gian xử lý.

2. Việc thay thế AlexNet bằng MobileNet-v3 Large 1.0 mang lại lợi ích kỹ thuật gì cho mô hình?

AlexNet là kiến trúc CNN đời đầu với kích thước cồng kềnh khoảng 60 triệu tham số, tiêu tốn nhiều tài nguyên tính toán và bộ nhớ khi tạo ra vectơ đặc trưng 4096 chiều. MobileNet-v3 Large 1.0 sử dụng cấu trúc tích chập tách biệt theo chiều sâu kết hợp cơ chế Squeeze-and-Excitation, giúp giảm thiểu đáng kể số lượng tham số và phép tính FLOPs trong khi vẫn duy trì hoặc nâng cao khả năng biểu diễn đặc trưng thị giác, tạo điều kiện thuận lợi cho việc xử lý video theo thời gian thực.

3. Không gian hành động của tác tử trong mô hình FFNet được quy định như thế nào?

Không gian hành động (Action Space) của tác tử được định nghĩa là một tập hợp các giá trị số nguyên rời rạc nằm trong đoạn $[1, 25]$. Khi ở một trạng thái khung hình bất kỳ, tác tử sẽ lựa chọn một giá trị $a \in [1, 25]$ tương ứng với số khung hình kế tiếp sẽ bị bỏ qua trước khi hệ thống chuyển sang xử lý trạng thái tiếp theo.

4. Hàm điểm thưởng nguyên bản trong FFNet được tính toán dựa trên các thành phần nào?

Hàm điểm thưởng nguyên bản của FFNet gồm hai thành phần đối nghịch:

  • Skip Penalty ($SP$): Đo lường hình phạt khi tác tử bỏ qua các khung hình quan trọng, tính bằng tỷ lệ số khung hình có nhãn quan trọng ($I(i)=1$) trên tổng số bước nhảy tối đa $T=25$ với hệ số phạt $\beta=0.8$.
  • Hit Reward ($HR$): Phần thưởng cộng thêm khi khung hình nhảy đến nằm trong vùng có nhiều khung hình quan trọng, tính bằng tổng các nhãn quan trọng trong phạm vi cửa sổ lân cận bán kính $w=4$, được điều chỉnh trọng số giảm dần theo khoảng cách bằng hàm phân phối chuẩn Gaussian với độ lệch chuẩn $\sigma=1$ và kỳ vọng $\mu=0$.

5. Ứng dụng web được xây dựng trong khóa luận đảm nhận vai trò gì trong hệ thống?

Ứng dụng web đóng vai trò là giao diện mô phỏng ứng dụng thực tế của công trình nghiên cứu. Ứng dụng cho phép nạp trực tiếp luồng dữ liệu video đầu vào (từ tập tin hoặc thiết bị camera giám sát), kích hoạt mô hình thuật toán xử lý trực tuyến tại máy chủ và hiển thị video tóm tắt đầu ra gần sát với thời gian thực kèm các thông số kỹ thuật (tỷ lệ nén, số khung hình, FPS), minh chứng cho tính khả thi của giải pháp trong các hệ thống giám sát thực tế.

Kết luận

Khóa luận tốt nghiệp "Cải tiến mô hình FFNet cho bài toán tua nhanh video" của sinh viên Nguyễn Văn Chính và Nguyễn Đình Bình An đã nghiên cứu và giải quyết thành công bài toán tối ưu hóa tài nguyên trong giám sát video thông qua việc kết hợp học sâu và học tăng cường. Bằng việc thay thế bộ trích xuất đặc trưng sang MobileNet-v3, bổ sung mạng hồi quy LSTM cho khối tác tử, tinh chỉnh hàm điểm thưởng và tối ưu hóa khâu xử lý hậu kỳ, đề tài đã nâng cao chất lượng biểu diễn của video tóm tắt và cải thiện tốc độ xử lý so với mô hình FFNet gốc. Sản phẩm ứng dụng web mô phỏng đi kèm đã chứng minh tiềm năng ứng dụng thực tiễn của nghiên cứu trong việc hỗ trợ quản lý, lưu trữ và truy xuất dữ liệu camera giám sát hiệu quả.