Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh tự động hóa của thời đại công nghệ số 4.0, bài toán nhận dạng khuôn mặt (Face Recognition - FR) giữ vai trò then chốt trong nhiều ứng dụng thực tiễn như máy điểm danh, chấm công, giám sát nhân sự tại các nhà máy, xí nghiệp, trường học và giám sát an ninh trật tự. Đa phần các hệ thống nhận diện khuôn mặt thương mại hiện nay yêu cầu thiết bị camera thu nhận hình ảnh phải có độ phân giải cao và đối tượng cần đứng ở cự ly đủ gần để hệ thống ghi nhận. Đặc điểm này dẫn đến tình trạng người dùng phải xếp hàng chờ đợi, gây gián đoạn quy trình và ảnh hưởng đến tâm lý người sử dụng.

Đối với lĩnh vực an ninh và truy vết tội phạm, việc thu nhận hình ảnh khuôn mặt rõ nét từ hệ thống camera giám sát gặp nhiều rào cản kỹ thuật. Theo báo cáo của IHS vào năm 2021, có khoảng 1 tỷ camera giám sát được lắp đặt và vận hành trên toàn thế giới, nhưng chỉ có khoảng 2% trong số đó đạt chuẩn độ phân giải cao. Hơn nữa, dữ liệu luồng video thu được từ các camera giám sát khi lưu trữ vào cơ sở dữ liệu đều phải trải qua quá trình nén dung lượng, khiến chất lượng và độ phân giải hình ảnh khuôn mặt bị suy giảm đáng kể sau khi giải nén.

Về mặt học thuật, các giải pháp học sâu (Deep Learning) hiện đại như DeepID3, VGGFace2, FaceNet, ArcFace đã mang lại kết quả nhận diện chính xác trên các bộ dữ liệu khuôn mặt chất lượng cao (như LFW, MS-Celeb-1M, IJB-A/B/C). Tuy nhiên, các nghiên cứu chuyên sâu đã chứng minh rằng các mô hình huấn luyện trên ảnh độ phân giải cao (High Resolution - HR) sẽ suy giảm hiệu năng nghiêm trọng khi dữ liệu đầu vào là ảnh có độ phân giải thấp (Low Resolution - LR). Do đó, nhóm nghiên cứu thực hiện đề tài nhận diện khuôn mặt ở độ phân giải thấp (Low-Resolution Face Recognition - LRFR) với quy cách hệ thống:

  • Đầu vào (Input): Hình ảnh khuôn mặt của một người ở độ phân giải thấp.
  • Đầu ra (Output): Danh tính tương ứng của người trong ảnh từ kho dữ liệu (gallery).

Khóa luận xác định 5 mục tiêu nghiên cứu cụ thể:

  1. Tìm hiểu tổng quan về các phương pháp và các cách tiếp cận của bài toán nhận diện khuôn mặt ở độ phân giải thấp.
  2. Tìm hiểu các bộ dữ liệu dành cho bài toán nhận diện khuôn mặt ở độ phân giải thấp.
  3. Hiểu được cấu trúc và kỹ thuật trong các phương pháp phổ biến hiện nay để giải quyết bài toán.
  4. Cài đặt, thử nghiệm, so sánh giữa các phương pháp và phân tích ưu, nhược điểm của từng phương pháp.
  5. Xây dựng hệ thống minh họa cho đề tài.

Phạm vi nghiên cứu của khóa luận được giới hạn trong các nội dung sau:

  • Phạm vi kỹ thuật: Tập trung nghiên cứu hai hướng tiếp cận chính sử dụng học sâu cho LRFR: hướng tiếp cận không gian ánh xạ cặp (Coupled Mappings) đại diện bởi mô hình Transferable Coupled Network (TCN) và hướng tiếp cận siêu phân giải (Super Resolution) kết hợp trích xuất đặc trưng đại diện bởi mô hình Edge and Identity Preserving Network (EIPNet).
  • Phạm vi dữ liệu: Giới hạn dải kích thước khuôn mặt từ $16 \times 16$ đến $32 \times 32$ pixels. Cơ sở khoa học được nhóm tác giả chứng minh qua tổng hợp tài liệu: khuôn mặt nhỏ hơn $16 \times 16$ pixels khiến các giải pháp phát hiện khuôn mặt hiện hữu không thể định vị, trong khi ảnh lớn hơn $32 \times 32$ pixels làm giảm tính thách thức của bài toán LRFR.
  • Phạm vi thực nghiệm: Sử dụng tập dữ liệu CASIA-WebFace để huấn luyện mô hình; đánh giá thực nghiệm trên hai tập dữ liệu chuẩn LFW và TinyFace.

Cơ sở lý thuyết và phương pháp

Khóa luận phân loại các dạng bài toán nhận diện khuôn mặt dựa trên mục đích ứng dụng:

  • Xác thực khuôn mặt (Face Verification): Bài toán so sánh "một - một" (1:1), kiểm tra xem hai bức ảnh khuôn mặt có thuộc về cùng một danh tính hay không. Đầu ra ở dạng nhị phân, ứng dụng phổ biến trong các hệ thống FaceID.
  • Nhận diện khuôn mặt (Face Identification): Bài toán so sánh "một - nhiều" (1:N), xác định danh tính cụ thể của ảnh đầu vào (probe) bằng cách đối chiếu với kho dữ liệu khuôn mặt đã lưu trữ (gallery). Bài toán này chia thành:
    • Hệ thống đóng (Close-set): Toàn bộ các ảnh probe chắc chắn thuộc một danh tính nào đó có trong gallery.
    • Hệ thống mở (Open-set): Ảnh probe có thể không tồn tại trong gallery, đòi hỏi mô hình phải có khả năng từ chối đối tượng lạ.

Các hướng tiếp cận giải quyết bài toán LRFR được hệ thống thành hai nhánh chính:

  • Không gian ánh xạ cặp (Coupled Mappings): Chiếu các biểu diễn đặc trưng của ảnh HR và ảnh LR vào một không gian đặc trưng thống nhất (Unified space). Mục tiêu là tối thiểu hóa khoảng cách giữa các biểu diễn của cùng một người (intra-class) và tối đa hóa khoảng cách giữa các danh tính khác nhau (inter-class), bất kể sự chênh lệch về độ phân giải quang học.
  • Siêu phân giải (Super Resolution - SR): Sử dụng mạng nơ-ron để tái tạo hình ảnh từ độ phân giải thấp lên độ phân giải cao trước khi chuyển tiếp sang mô hình trích xuất đặc trưng khuôn mặt độc lập.

Cơ sở phương pháp và các kỹ thuật thành phần bao gồm:

  • Mạng nơ-ron tích chập (CNN): Vận dụng cơ chế trường tiếp nhận cục bộ (Local Receptive Field - LRF) và chia sẻ trọng số (shared weights) để trích xuất đặc trưng không gian (góc, cạnh, kết cấu). Khóa luận chi tiết hóa công thức tính kích thước đầu ra của feature map: $$W_2 = \frac{W_1 - k + 2P}{S} + 1; \quad H_2 = \frac{H_1 - k + 2P}{S} + 1$$ Trong đó $W_1, H_1$ là chiều rộng và chiều cao ảnh đầu vào; $k$ là kích thước kernel; $P$ là hệ số đệm (padding); $S$ là bước trượt (stride). Số tham số cần học của mỗi bộ lọc là $(k \times k \times D_1) + 1$, giúp giảm số lượng tham số học so với mạng kết nối đầy đủ (Fully Connected).
  • Các tầng bổ trợ: Tầng kích hoạt ReLU loại bỏ giá trị âm nhằm giảm bớt hiện tượng bão hòa gradient; tầng Max-pooling kích thước $2 \times 2$ (stride 2) giúp giảm chiều dữ liệu và tạo tính bất biến dịch chuyển (translation invariance); tầng chuẩn hóa (Normalization) giải quyết hiện tượng "dying ReLU".
  • Các kiến trúc mạng nền tảng:
    • VGG16: Sử dụng chuỗi các kernel kích thước nhỏ $3 \times 3$ liên tiếp thay cho kernel lớn ($5 \times 5$, $7 \times 7$), vừa giảm số lượng tham số vừa tăng độ sâu của mạng.
    • ResNet: Áp dụng các khối phần dư (Residual Block) với đường kết nối tắt (skip connection) $F(x) + x$ để giải quyết triệt để hiện tượng tiêu biến đạo hàm (Vanishing Gradient) trong mạng sâu.
    • Inception: Sử dụng các Inception block gồm các nhánh tích chập song song $1 \times 1, 3 \times 3, 5 \times 5$ kết hợp pooling để trích xuất đặc trưng đa kích thước.
  • Các kỹ thuật giảm độ phân giải trong OpenCV: Đánh giá ba phép nội suy INTER_AREA (tính trung bình pixel lân cận), INTER_CUBIC (nội suy bicubic dựa trên $4 \times 4$ pixels lân cận) và INTER_LINEAR (nội suy song tuyến tính dựa trên $2 \times 2$ pixels lân cận). Khóa luận chọn INTER_AREA để tạo dữ liệu ảnh LR từ tập ảnh gốc HR.
  • Mô hình nghiên cứu chuyên sâu:
    • Transferable Coupled Network (TCN): Cấu trúc cặp mạng Teacher-Student chạy song song. Mạng Teacher xử lý ảnh HR (sử dụng trọng số tiền huấn luyện và đóng băng tham số), hướng dẫn mạng Student xử lý ảnh LR. Mô hình tối ưu hóa thông qua hàm mất mát Transferable Triplet Loss kết hợp với Softmax Loss và Center Loss: $$L_{total} = L_{ttl} + \lambda L_{softmax} + \mu L_{center}$$ Hàm Transferable Triplet Loss xây dựng trên bộ 4 điểm gồm hai danh tính, mỗi danh tính có 1 ảnh HR và 1 ảnh LR, phân tách thành hai loại bộ ba: HLL-triplets ($x_i^{h,a}, x_i^{l,p}, x_j^{l,n}$) và LHH-triplets ($x_i^{l,a}, x_i^{h,p}, x_j^{h,n}$) nhằm thu hẹp khoảng cách giữa hai miền phân giải khác nhau.
    • Edge and Identity Preserving Network (EIPNet): Mạng siêu phân giải chuyên biệt cho khuôn mặt nhằm phóng đại ảnh lên 8 lần ($8\times$). Kiến trúc bao gồm 2 tầng tích chập ở hai đầu, 3 khối phần dư (Residual Block), 3 khối tích chập chuyển vị (Transposed Convolutional Block) tăng kích thước $2\times$ ở mỗi khối, và 3 khối Edge Block gắn song song. Khối Edge Block sử dụng Average Pooling trừ đi feature map ban đầu để trích xuất đặc trưng biên cạnh cấp cao, được giám sát bởi thuật toán Canny edge detector áp dụng trên ảnh HR. Để giữ lại danh tính đối tượng, mô hình đề xuất hàm Identity Loss sử dụng khoảng cách Jensen-Shannon (JS divergence) dựa trên vector đặc trưng 512 chiều được trích xuất từ mạng InceptionV1 tiền huấn luyện trên tập VGGFace2.
  • Nguồn dữ liệu thực nghiệm:
    • CASIA-WebFace: Gồm 494.414 ảnh của 10.575 người, kích thước $112 \times 112$ pixels. Dữ liệu được chia theo tỷ lệ 80% phục vụ huấn luyện và 20% phục vụ kiểm định (validation).
    • LFW (Labeled Faces in the Wild): Gồm 13.000 ảnh của 1.680 người, cung cấp 6.000 cặp ảnh (match và mismatch). Ảnh gốc $112 \times 112$ pixels được làm mờ xuống các kích thước $16 \times 16$, $20 \times 20$ và $112 \times 96$ bằng phép nội suy INTER_AREA để đánh giá bài toán Face Verification.
    • TinyFace: Gồm 169.403 ảnh của 5.139 người thu thập tự nhiên từ internet. Độ phân giải trung bình của toàn bộ tập dữ liệu là $20 \times 16$ pixels, chứa đựng nhiều biến thể góc chụp, độ tương phản và hậu cảnh phức tạp, được chia thành tập query và gallery để đánh giá Face Identification.
  • Phương pháp đánh giá:
    • Tác vụ Face Verification: Sử dụng tỷ lệ chấp nhận đúng TAR (True Accept Rate) tại ngưỡng tỷ lệ chấp nhận sai FAR (False Accept Rate) cố định ($FAR = 0.1$).
    • Tác vụ Face Identification: Sử dụng độ đo Rank-n (Rank-1, Rank-5, Rank-15) tính khoảng cách Euclidean giữa vector embedding của ảnh truy vấn với tập gallery; ngoài ra tính Mean Average Precision (mAP).

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập tính cấp thiết của đề tài xuất phát từ các hạn chế của hệ thống nhận diện khuôn mặt thực tế (cần camera cự ly gần, camera an ninh độ phân giải thấp chiếm 98%, suy giảm chất lượng do nén dữ liệu video). Chương này định nghĩa bài toán nhận diện khuôn mặt ở độ phân giải thấp, xác định đầu vào và đầu ra của hệ thống, công bố 5 mục tiêu nghiên cứu cụ thể, phạm vi thực hiện (đánh giá TCN, EIPNet trên LFW và TinyFace, xây dựng ứng dụng) và cấu trúc 6 chương của toàn bộ khóa luận.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 2 trình bày có hệ thống các khái niệm cơ bản về Face Recognition, các quy trình phát hiện và trích xuất vector embedding khuôn mặt, phân loại bài toán (Face Verification - Face Identification; Close-set - Open-set). Chương khảo cứu sâu về các thành phần cốt lõi của mạng nơ-ron tích chập (CNN) gồm Convolution, Activation (ReLU), Pooling (Max-pooling), Normalization, cùng cơ chế hoạt động của các kiến trúc VGG16, ResNet và Inception. Đồng thời, chương giới thiệu khái niệm Super Resolution, ba phương pháp giảm độ phân giải trong OpenCV (INTER_AREA, INTER_CUBIC, INTER_LINEAR), và phân tích hai trường phái tiếp cận kỹ thuật cho bài toán LRFR là Coupled Mappings và Super Resolution.

Chương 3: Một số phương pháp tiếp cận cho bài toán Low Resolution Face Recognition

Chương 3 đi sâu vào nguyên lý cấu trúc và hàm mất mát của các thuật toán được lựa chọn:

  • Mô hình TCN: Kiến trúc mạng kép (Teacher-Student), toán tử chọn bộ ba trực tuyến (Online Triplet Selection), hàm Transferable Triplet Loss với hai cấu hình HLL-triplets và LHH-triplets, và cơ chế huấn luyện kết hợp (Joint Training) giữa Transferable Triplet Loss, Softmax Loss và Center Loss.
  • Các mô hình trích xuất đặc trưng hiện đại: Phân tích kiến trúc FaceNet (Google 2015, vector embedding 128 chiều, Triplet Loss) và ArcFace (2018, Additive Angular Margin Loss trên ma trận trọng số chuẩn hóa).
  • Mô hình siêu phân giải EIPNet: Phân tích chi tiết khối Edge Block (kết hợp Average Pooling với Canny edge detector), hàm Identity Loss (đo sai khác phân phối đặc trưng 512 chiều trích xuất từ InceptionV1 qua độ đo Jensen-Shannon divergence), và toàn bộ cấu trúc phóng đại $8\times$ gồm 3 residual blocks, 3 transposed convolutional blocks và 2 convolutional layers.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả chi tiết quy trình thiết lập thực nghiệm trên ba tập dữ liệu: CASIA-WebFace, LFW và TinyFace. Nhóm tác giả trình bày việc lựa chọn mạng InceptionResnetV1 làm backbone cho cả hai hướng tiếp cận:

  • Mô hình TCN-InceptionV1: Cài đặt mạng Teacher và Student; huấn luyện trên tập CASIA-WebFace bằng thuật toán tối ưu SGD.
  • Mô hình SR-InceptionV1: Sử dụng mạng EIPNet với bộ tham số tiền huấn luyện trên tập CelebA để tái tạo ảnh lên kích thước lớn, sau đó dùng InceptionResnetV1 để trích xuất đặc trưng. Chương phân tích cụ thể các tiêu chuẩn và thang đo thực nghiệm gồm TAR tại $FAR = 0.1$ cho tác vụ Face Verification và độ đo Rank-1, Rank-5, Rank-15 cho tác vụ Face Identification.

Chương 5: Xây dựng ứng dụng minh họa

Chương 5 hiện thực hóa các giải pháp nghiên cứu thành một phần mềm minh họa hoàn chỉnh. Ứng dụng tích hợp luồng xử lý từ việc nhận luồng hình ảnh/video đầu vào có độ phân giải thấp, áp dụng mô hình phát hiện khuôn mặt để khoanh vùng đối tượng, chuyển tiếp qua pipeline nhận diện (sử dụng mô hình đã huấn luyện) để trích xuất vector đặc trưng, và đối chiếu với tập dữ liệu lưu trữ để xuất ra danh tính người dùng tương ứng trên giao diện trực quan.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được đối chiếu với 5 mục tiêu ban đầu của khóa luận: đã làm chủ lý thuyết LRFR, cài đặt và đánh giá định lượng thành công hai đại diện TCN và EIPNet, và xây dựng thành công ứng dụng demo. Đồng thời, chương chỉ rõ các mặt hạn chế còn tồn đọng và vạch ra các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Khóa luận đã tiến hành cài đặt mô hình TCN trên nền tảng mạng backbone InceptionResnetV1 (ký hiệu TCN-InceptionV1) và thực nghiệm mô hình siêu phân giải kết hợp nhận diện (ký hiệu SR-InceptionV1).

Các thông số cấu hình và tham số huấn luyện mô hình TCN-InceptionV1 được ghi nhận chính xác trong văn bản:

  • Tập dữ liệu huấn luyện: CASIA-WebFace (494.414 ảnh của 10.575 đối tượng), tỷ lệ chia 80% train và 20% validation.
  • Kích thước ảnh đầu vào: $112 \times 112$ pixels; giá trị mỗi pixel được chuẩn hóa về đoạn $[-1; 1]$.
  • Backbone: InceptionResnetV1, chiều dài vector đặc trưng là 512 dimensions.
  • Bộ tối ưu hóa: Stochastic Gradient Descent (SGD) với hệ số momentum $0.9$.
  • Tốc độ học (Learning rate): Khởi tạo ở mức $0.01$; chu kỳ 10 epoch sẽ giảm tốc độ học đi một nửa nếu kết quả trên tập validation không có sự cải thiện.
  • Kích thước batch (Batch size): 32.
  • Số epoch: 60.
  • Tham số hàm mất mát tổng hợp: $\lambda = 0.1$, $\mu = 0.1$; các hệ số lề trong hàm Triplet Loss thiết lập bằng $0$.
  • Chiến lược tăng cường dữ liệu thích ứng: Cứ sau 500 iterations huấn luyện, tỷ lệ ảnh bị giảm độ phân giải trong một epoch được tăng thêm $0.1$ nhằm giúp mô hình thích ứng đồng thời với cả ảnh có độ phân giải cao và thấp. Mạng Teacher được đóng băng toàn bộ tham số trong suốt quá trình huấn luyện mạng Student.
Thuộc tính / Tham số Thiết lập của mô hình TCN-InceptionV1
Mạng kiến trúc nền tảng (Backbone) InceptionResnetV1
Chiều dài vector đặc trưng 512
Thuật toán tối ưu (Optimizer) SGD (Momentum = 0.9)
Tốc độ học ban đầu (Initial Learning Rate) 0.01 (giảm 50% sau mỗi 10 epoch nếu val không tăng)
Kích thước lô (Batch Size) 32
Số lượng chu kỳ huấn luyện (Epochs) 60
Trọng số các hàm mất mát ($\lambda, \mu$) $\lambda = 0.1$ (Softmax Loss), $\mu = 0.1$ (Center Loss)
Chiến lược giảm độ phân giải huấn luyện Tăng 0.1 tỷ lệ ảnh LR sau mỗi 500 iterations
Tiền xử lý dữ liệu đầu vào Chuẩn hóa pixel về đoạn $[-1; 1]$

Đối với nhánh Super Resolution (SR-InceptionV1), nhóm nghiên cứu tái sử dụng bộ tham số EIPNet tiền huấn luyện trên tập CelebA do tác giả gốc cung cấp để tăng độ phân giải khuôn mặt lên 8 lần ($8\times$), sau đó đưa qua InceptionResnetV1 để trích xuất vector đặc trưng.

Các đóng góp khoa học và thực tiễn của khóa luận bao gồm:

  • Hệ thống hóa toàn diện cơ sở lý thuyết, các khái niệm, thách thức và hai trường phái tiếp cận tiêu biểu (Coupled Mappings và Super Resolution) của bài toán LRFR.
  • Phân tích và khảo sát cấu trúc các tập dữ liệu chuẩn cho bài toán nhận diện khuôn mặt độ phân giải thấp (CASIA-WebFace, LFW, TinyFace).
  • Tự cài đặt, huấn luyện độc lập mô hình TCN-InceptionV1 và tiến hành thử nghiệm, đối chiếu phương pháp TCN và EIPNet trên hai bộ dữ liệu LFW và TinyFace theo các tiêu chuẩn đánh giá khắt khe (TAR@FAR=0.1, Rank-1, Rank-5, Rank-15).
  • Xây dựng thành công ứng dụng demo hoàn chỉnh, trực quan hóa khả năng nhận diện đối tượng ở độ phân giải thấp từ các luồng dữ liệu hình ảnh.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận phản ánh các hạn chế kỹ thuật trong quá trình thực hiện:

  • Phụ thuộc vào mô hình tiền huấn luyện trong nhánh SR: Do hạn chế về tài nguyên tính toán và thời gian huấn luyện, nhóm tác giả chưa thể trực tiếp huấn luyện lại mô hình EIPNet từ đầu (scratch) hoặc tinh chỉnh sâu (fine-tuning) trên tập dữ liệu khuôn mặt CASIA-WebFace, mà phải sử dụng lại bộ trọng số tiền huấn luyện trên tập CelebA do tác giả gốc cung cấp.
  • Hạn chế về tính chất dữ liệu thử nghiệm: Tập dữ liệu LFW được tạo độ phân giải thấp thông qua phép làm mờ nhân tạo (nội suy INTER_AREA), do đó chưa phản ánh toàn diện các yếu tố nhiễu cảm biến, biến dạng quang học và điều kiện ánh sáng thực tế phức tạp như tập dữ liệu TinyFace.
  • Ràng buộc về tài nguyên phần cứng: Việc tối ưu hóa số lượng epoch (giới hạn ở 60 epoch) và không gian tìm kiếm siêu tham số cho hàm mất mát kết hợp còn bị giới hạn bởi năng lực tính toán.

Hướng phát triển được xác định trong văn bản:

  • Huấn luyện đồng bộ (end-to-end) mô hình siêu phân giải khuôn mặt kết hợp trực tiếp với mạng trích xuất đặc trưng thay vì sử dụng mô hình pre-trained tách rời.
  • Tích hợp các hàm mất mát biên góc tiên tiến (như ArcFace) vào kiến trúc Coupled Network để tăng cường tính phân biệt danh tính trên không gian biểu diễn đặc trưng chung.
  • Thử nghiệm mở rộng trên các tập dữ liệu thực tế không ràng buộc có biên độ suy giảm chất lượng lớn hơn và kiểm thử hiệu năng thời gian thực trên các hệ thống camera giám sát thực tế.

Giá trị tham khảo

Khóa luận là nguồn tài liệu tham khảo có giá trị học thuật và kỹ thuật cho:

  • Sinh viên và nhà nghiên cứu: Thuộc các chuyên ngành Khoa học Máy tính, Kỹ thuật Phần mềm, Trí tuệ Nhân tạo và Thị giác Máy tính đang thực hiện các đề tài nghiên cứu liên quan đến bài toán nhận diện mẫu trong điều kiện dữ liệu bị suy biến, nhận diện đối tượng ở cự ly xa hoặc xử lý ảnh chất lượng thấp.
  • Kỹ sư triển khai hệ thống: Các kỹ sư phát triển giải pháp camera an ninh thông minh, hệ thống kiểm soát ra vào công cộng, điểm danh xí nghiệp cần nắm vững các giải pháp kỹ thuật giải quyết vấn đề ảnh bị mờ và giảm độ phân giải do đường truyền hoặc do nén video.
  • Nội dung đáng tham khảo nhất:
    • Toàn bộ cơ sở toán học và cơ chế chọn mẫu của hàm Transferable Triplet Loss (phân tách HLL-triplets và LHH-triplets trong Chương 3).
    • Thiết kế cấu trúc Edge Block và cơ chế bảo toàn danh tính qua độ đo Jensen-Shannon divergence của mạng EIPNet.
    • Quy trình thực nghiệm chuẩn hóa trên tập TinyFace với phương pháp đánh giá Rank-n.

Câu hỏi thường gặp

1. Tại sao khóa luận lại chọn dải độ phân giải từ $16 \times 16$ đến $32 \times 32$ pixels để đánh giá bài toán?

Dựa trên khảo cứu các công trình công bố quốc tế trước đó (như TinyFace 2018, TCN 2019), các tác giả nhận thấy khuôn mặt có kích thước nhỏ hơn $16 \times 16$ pixels sẽ khiến các thuật toán phát hiện khuôn mặt hiện tại gần như không thể xác định được vùng mặt. Ngược lại, những khuôn mặt có kích thước lớn hơn $32 \times 32$ pixels lại không đảm bảo được tính thách thức đặc thù của bài toán nhận diện ở độ phân giải thấp. Vì vậy, dải kích thước $16 \times 16 \le \text{độ phân giải} \le 32 \times 32$ được lựa chọn làm chuẩn đánh giá.

2. Sự khác biệt cốt lõi giữa Transferable Triplet Loss và Triplet Loss truyền thống là gì?

Triplet Loss truyền thống chỉ chọn 3 điểm dữ liệu cùng độ phân giải gồm anchor, positive và negative. Trong khi đó, Transferable Triplet Loss mở rộng thành một bộ gồm 4 điểm thuộc 2 danh tính khác nhau, mỗi danh tính gồm 1 ảnh HR và 1 ảnh LR. Từ bộ 4 điểm này, hàm mất mát chia thành 2 nhóm: HLL-triplets (anchor là ảnh HR, positive và negative là ảnh LR) và LHH-triplets (anchor là ảnh LR, positive và negative là ảnh HR). Cấu trúc này buộc cặp anchor-positive và anchor-negative luôn có độ phân giải lệch nhau, giúp mạng nơ-ron học cách thu hẹp khoảng cách biểu diễn giữa hai miền phân giải HR và LR.

3. Trong mô hình EIPNet, các khối Edge Block và hàm Identity Loss giải quyết vấn đề kỹ thuật nào?

Khối Edge Block (kết hợp tầng Average Pooling và tích chập $1 \times 1$) trích xuất đặc trưng biên cạnh cấp cao và đối chiếu với ảnh HR được xử lý qua bộ dò biên Canny, giúp ảnh siêu phân giải mịn hơn và loại bỏ hiện tượng răng cưa. Hàm Identity Loss sử dụng độ đo Jensen-Shannon (JS divergence) so sánh phân phối vector đặc trưng 512 chiều trích xuất từ mạng InceptionV1 giữa ảnh đầu ra và ảnh ground truth, giúp bảo toàn danh tính gốc của khuôn mặt và khắc phục tình trạng ảnh sau phục hồi bị biến dạng sang khuôn mặt người khác.

4. Chiến lược điều chỉnh tỷ lệ ảnh trong quá trình huấn luyện TCN-InceptionV1 diễn ra như thế nào?

Để mô hình đạt hiệu năng nhận diện tốt trên cả dữ liệu có độ phân giải thấp và độ phân giải cao, nhóm tác giả áp dụng chiến lược huấn luyện tăng dần: cứ sau 500 iterations huấn luyện trong 1 epoch, tỷ lệ số lượng hình ảnh bị giảm độ phân giải sẽ được tăng thêm $0.1$. Quá trình này giúp mô hình tiếp cận dữ liệu một cách thích ứng tuần tự thay vì áp đặt tỷ lệ cố định ngay từ đầu.

5. Tác vụ Face Verification và Face Identification được đánh giá qua những thang đo cụ thể nào?

Tác vụ Face Verification được đánh giá thông qua thang đo TAR (True Accept Rate) tại ngưỡng FAR (False Accept Rate) cố định bằng $0.1$ trên tập dữ liệu LFW. Đối với tác vụ Face Identification trên tập TinyFace, mô hình được đánh giá thông qua độ đo Rank-n (với các mức $n = 1, 5, 15$), xác định tỷ lệ vector đặc trưng của khuôn mặt truy vấn nằm trong top $n$ vector có khoảng cách Euclidean nhỏ nhất đối với tập gallery, cùng độ đo Mean Average Precision (mAP).

Kết luận

Khóa luận tốt nghiệp của sinh viên Châu Ngọc Huy và Phan Tiên Ngọc đã hoàn thành việc nghiên cứu, cài đặt và đánh giá hai hướng tiếp cận chính cho bài toán nhận diện khuôn mặt ở độ phân giải thấp (Coupled Mappings với đại diện TCN và Super Resolution với đại diện EIPNet). Các thực nghiệm được tiến hành bài bản trên ba tập dữ liệu CASIA-WebFace, LFW và TinyFace, chứng minh tính khả thi của việc chiếu các biểu diễn khuôn mặt khác độ phân giải vào một không gian đặc trưng thống nhất. Kết quả nghiên cứu cùng ứng dụng minh họa được xây dựng cung cấp cơ sở khoa học và kỹ thuật rõ ràng cho việc phát triển các hệ thống nhận diện khuôn mặt thực tế trong điều kiện camera giám sát chất lượng thấp.