Tổng quan về luận án

Sự bùng nổ của dữ liệu đa phương tiện trong kỷ nguyên số đã đặt ra những thách thức chưa từng có đối với việc quản lý, lập chỉ mục và khai phá thông tin thị giác. Trong hệ thống tìm kiếm ảnh truyền thống, hai trường phái chính đã được định hình: tìm kiếm ảnh dựa trên văn bản (Text-Based Image Retrieval - TBIR) và tìm kiếm ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR). Mặc dù TBIR hỗ trợ tốt việc truy vấn dựa trên từ khóa, phương pháp này bộc lộ những khiếm khuyết mang tính bản chất như chi phí gán nhãn thủ công khổng lồ và tính chủ quan của con người. Ngược lại, CBIR tự động hóa việc trích xuất các đặc trưng thị giác cấp thấp (màu sắc, kết cấu, hình dạng, quan hệ không gian), nhưng lại vấp phải rào cản mang tính kinh điển trong thị giác máy tính: khoảng cách ngữ nghĩa (semantic gap) giữa các đặc trưng biểu diễn mức thấp và nhận thức ngữ nghĩa mức cao của người dùng.

Luận án tiến sĩ chuyên ngành Khoa học máy tính (mã số 9480101) với tiêu đề "Kết hợp cấu trúc R-Tree với đồ thị tri thức cho mô hình tìm kiếm ảnh" của Nghiên cứu sinh Lê Thị Vĩnh Thanh, dưới sự hướng dẫn khoa học của PGS. Lê Mạnh Thạnh và TS. Văn Thế Thành tại Trường Đại học Khoa học - Đại học Huế (2023), đã giải quyết đồng thời hai bài toán cốt lõi: tối ưu hóa cấu trúc lưu trữ chỉ mục không gian đa chiều và thu hẹp khoảng cách ngữ nghĩa thông qua sự tích hợp giữa cấu trúc cây phân vùng cải tiến và đồ thị tri thức (Knowledge Graph - KG).

Nghiên cứu tập trung giải quyết các khoảng trống học thuật cụ thể (research gaps):

  1. Khoảng trống về cấu trúc lưu trữ chỉ mục đa chiều: Cấu trúc cây R-Tree kinh điển (Guttman, 1984) cùng các biến thể R*-Tree (Beckmann et al., 1990), SS-Tree (White & Jain, 1996), và SR-Tree (Katayama & Satoh, 1997) bộc lộ sự suy giảm hiệu năng nghiêm trọng khi số chiều dữ liệu tăng cao (curse of dimensionality), hiện tượng chồng lấp vùng bao đóng không gian (bounding space overlap) lớn và chi phí tính toán tái tổ chức cây đắt đỏ khi thực hiện chèn lại phần tử.
  2. Khoảng trống về tích hợp đa phương thức: Các hệ thống tìm kiếm ảnh ngữ nghĩa hiện đại sử dụng đồ thị ngữ cảnh (Scene Graph - SG) như nghiên cứu tiên phong của Justin Johnson et al. (2015) hoặc mạng tích chập đồ thị (GCN) thường tách rời việc lập chỉ mục không gian cấp thấp với việc đối sánh ngữ nghĩa đồ thị cấp cao, thiếu một cơ chế liên kết động giữa cây chỉ mục hình cầu và đồ thị tri thức định dạng chuẩn OWL/RDF với ngôn ngữ truy vấn SPARQL.

Các câu hỏi nghiên cứu và giả thuyết được xác lập cụ thể:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để cấu trúc hóa không gian đặc trưng thị giác đa chiều nhằm giảm thiểu chi phí giãn nở không gian và loại bỏ thao tác tái cấu trúc cây phức tạp khi xảy ra tràn nút?
  • Câu hỏi nghiên cứu 2 (RQ2): Việc kết hợp đồ thị láng giềng vào các nút lá của cấu trúc cây phân cụm hình cầu có giúp nâng cao độ chính xác truy vấn tại vùng biên phân cụm hay không?
  • Câu hỏi nghiên cứu 3 (RQ3): Làm thế nào để tích hợp một đồ thị tri thức chứa các bộ ba ngữ nghĩa từ tập dữ liệu lớn vào mô hình tìm kiếm dựa trên cây chỉ mục để trả lời các truy vấn ngữ nghĩa phức tạp?
  • Giả thuyết nghiên cứu 1 (H1): Cấu trúc cây khối cầu RS-Tree với thuật toán tách nút dựa trên độ lệch sai biệt sẽ giảm thể tích bao đóng và thời gian truy vấn so với R-Tree và SR-Tree.
  • Giả thuyết nghiên cứu 2 (H2): Cấu trúc kết hợp NBGraphRST sẽ cải thiện độ chính xác trung bình (MAP) và độ phủ (Recall) so với các cấu trúc cây độc lập.
  • Giả thuyết nghiên cứu 3 (H3): Mô hình lai ghép SBIR_GraphRSTKG kết hợp lọc thô bằng RS-Tree và tinh chỉnh bằng truy vấn đồ thị tri thức SPARQL sẽ thu hẹp đáng kể khoảng cách ngữ nghĩa trên các tập dữ liệu phức tạp.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa: Lý thuyết phân vùng không gian đa chiều (Spatial Data Structures), Lý thuyết biểu diễn tri thức Web ngữ nghĩa (Semantic Web Theory - Berners-Lee et al., 2001) và Mô hình đồ thị ngữ cảnh thị giác (Visual Scene Graph Theory - Johnson et al., 2015). Nghiên cứu được kiểm chứng trên quy mô dữ liệu toàn diện với 6 bộ dữ liệu chuẩn quốc tế: COREL (1.000 ảnh, 10 lớp, 30,3 MB), Oxford Flowers 17 (1.360 ảnh, 17 lớp, 60,5 MB), Oxford Flowers 102 (8.189 ảnh, 102 lớp, 1,09 GB), CUB-2011-200 (11.788 ảnh, 200 lớp, 1,15 GB), MS-COCO (118.287 ảnh, 80 lớp, 17,9 GB) và Visual Genome (108.077 ảnh, 14,47 GB).

Literature Review và Positioning

Tổng quan tài liệu trong luận án phân tích sâu ba dòng nghiên cứu chính trong bức tranh học thuật quốc tế:

                                  TIẾN TRÌNH LÝ THUYẾT VÀ ĐỊNH VỊ LUẬN ÁN
                                  
  Dòng 1: Cấu trúc cây chỉ mục      Dòng 2: Trích xuất đặc trưng CBIR      Dòng 3: Đồ thị ngữ cảnh & KG
  --------------------------------  ------------------------------------   ----------------------------
  • R-Tree (Guttman, 1984)          • MPEG-7 Descriptors (2002)            • Semantic Web (Berners-Lee, 2001)
  • R*-Tree (Beckmann et al., 1990) • Multi-Feature (Ahmed et al., 2019)   • Scene Graph (Johnson et al., 2015)
  • SS-Tree (White & Jain, 1996)    • DWT + Gabor (Ashraf et al., 2020)    • Scene Graph GCN (Wang et al., 2020)
  • SR-Tree (Katayama et al., 1997) • CNN Retrieval (Kumar et al., 2021)   • Attentive Relational (ARN, 2021)
                 │                                   │                                  │
                 └───────────────────────────────────┼──────────────────────────────────┘
                                                     ▼
                                    ĐỊNH VỊ ĐỘT PHÁ CỦA LUẬN ÁN
                                    
                     ┌────────────────────────────────────────────────────────┐
                     │ 1. Đề xuất RS-Tree: Khối cầu MBS tham số hóa k >= 2    │
                     │ 2. Cấu trúc lai NBGraphRST: RS-Tree + Neighbor Graph   │
                     │ 3. Mô hình SBIR_GraphRSTKG: Kết hợp RS-Tree + OWL/KG   │
                     └────────────────────────────────────────────────────────┘
  1. Dòng cấu trúc dữ liệu không gian đa chiều: R-Tree sử dụng hình chữ nhật bao đóng tối thiểu (Minimum Bounding Rectangle - MBR) để phân vùng không gian. Beckmann et al. (1990) giới thiệu R*-Tree với cơ chế chèn lại (forced re-insert) nhằm tối ưu hóa diện tích bao phủ và giảm chồng lấp, song gia tăng đáng kể độ phức tạp tính toán khi tái cấu trúc cây. White & Jain (1996) đề xuất SS-Tree sử dụng khối cầu bao đóng tối thiểu (Minimum Bounding Sphere - MBS) với tâm là trung bình cộng các phần tử, giúp tối ưu cho các truy vấn láng giềng gần nhất (KNN), nhưng cơ chế chèn lại tự động vẫn gây tốn kém chi phí. Katayama & Satoh (1997) kết hợp cả MBR và MBS trong cấu trúc SR-Tree, tuy giảm được thể tích bao phủ nhưng làm tăng gấp đôi kích thước bản ghi của mỗi nút và khiến thuật toán cập nhật trở nên phức tạp.
  2. Dòng trích xuất và kết hợp đặc trưng cấp thấp: Các nghiên cứu của Ahmed et al. (2019), Ashraf et al. (2020), và Zenggang et al. (2021) chứng minh rằng việc kết hợp đa đặc trưng (màu sắc, kết cấu, hình dạng) đem lại độ chính xác vượt trội so với các đặc trưng đơn lẻ. Tuy nhiên, các tác giả này chỉ dừng lại ở việc trích xuất đặc trưng mà chưa xây dựng được cấu trúc chỉ mục phân cụm tương thích để tối ưu hóa tốc độ truy vấn trên tập dữ liệu lớn.
  3. Dòng biểu diễn ngữ nghĩa và đồ thị ngữ cảnh: Johnson et al. (2015) khởi xướng việc sử dụng đồ thị ngữ cảnh biểu diễn bộ ba $\langle \text{Subject} - \text{Predicate} - \text{Object} \rangle$ kết hợp mô hình trường ngẫu nhiên có điều kiện (CRF) để truy vấn ngữ nghĩa trên 5.000 đồ thị. Tiếp sau đó, các công trình sử dụng mạng tích chập đồ thị GCN (Wang et al., 2020) và mạng mối quan hệ tập trung ARN (2021) trên tập Visual Genome đã khẳng định ưu thế của việc mô hình hóa quan hệ ngữ nghĩa.

Tranh luận học thuật cốt lõi: Tồn tại mâu thuẫn lớn giữa trường phái hình học bao đóng MBR (R-Tree/R*-Tree) và MBS (SS-Tree). Trong khi MBR đòi hỏi phải cập nhật $2d$ tọa độ biên (với $d$ là số chiều) và gây lãng phí không gian tại các góc của siêu khối chữ nhật, MBS chỉ cần quản lý tâm $\vec{c}$ và bán kính $r$ ($d + 1$ tham số). Tuy nhiên, MBS thuần túy lại dễ bị bao bọc lỏng lẻo nếu không có cơ chế co cụm không gian.

So sánh với các nghiên cứu quốc tế:

  • So với mô hình của Justin Johnson et al. (2015) (sử dụng CRF thuần túy trên đồ thị ngữ cảnh), luận án đã tích hợp thành công cấu trúc chỉ mục RS-Tree đóng vai trò bộ lọc không gian trước khi đối sánh đồ thị, cho phép xử lý tập dữ liệu Visual Genome quy mô 108.077 ảnh thay vì bị giới hạn ở 5.000 ảnh.
  • So với cấu trúc SR-Tree của Vanitha et al. (2017) (sử dụng đồng thời MBR và MBS trên tập COREL), cấu trúc RS-Tree của luận án loại bỏ hoàn toàn việc duy trì MBR, giúp giảm kích thước nút lưu trữ và rút ngắn thời gian cập nhật cây mà vẫn duy trì độ chính xác cao hơn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và đóng góp trực tiếp vào hai lý thuyết nền tảng:

                                  KHUNG LÝ THUYẾT VÀ ĐÓNG GÓP MỞ RỘNG
                                  
    Lý thuyết Phân vùng Không gian (Spatial Indexing)      Lý thuyết Biểu diễn Ngữ nghĩa (Semantic Web)
    [Guttman 1984; White & Jain 1996; Katayama 1997]               [Berners-Lee 2001; Johnson 2015]
                           │                                                       │
                           ▼                                                       ▼
             ┌───────────────────────────┐                           ┌───────────────────────────┐
             │    CẢI TIẾN LÝ THUYẾT     │                           │    CẢI TIẾN LÝ THUYẾT     │
             │ Khối cầu MBS tham số k>=2 │                           │  Ontology Visual Genome   │
             │ Tách nút độ lệch sai biệt │                           │     Triples OWL / RDF     │
             └─────────────┬─────────────┘                           └─────────────┬─────────────┘
                           │                                                       │
                           └───────────────────────────┬───────────────────────────┘
                                                       ▼
                                     ┌───────────────────────────────────┐
                                     │  MÔ HÌNH LAI GHÉP SBIR_GraphRSTKG │
                                     │    Thu hẹp khoảng cách ngữ nghĩa  │
                                     └───────────────────────────────────┘
  1. Mở rộng lý thuyết cấu trúc chỉ mục không gian (Spatial Indexing Theory): Luận án tái định nghĩa cấu trúc khối cầu bao đóng tối thiểu (MBS) bằng việc đưa vào hệ số co dãn không gian $k$ ($k \ge 2$) tại các nút thực thể lá. Thay vì lấy toàn bộ không gian bao bọc từ gốc tọa độ, tâm của khối cầu thực thể $\vec{c}_{sp}$ được tịnh tiến dọc theo véc-tơ đặc trưng $\vec{v}I$, làm giảm bán kính $r{sp}$ và trực tiếp thu hẹp thể tích không gian siêu cầu rỗng, hạn chế sự chồng lấp giữa các nút lân cận.
  2. Mở rộng lý thuyết biểu diễn tri thức Web ngữ nghĩa: Đồ thị tri thức được ánh xạ trực tiếp từ cấu trúc trực quan của ảnh thông qua bộ ba ngữ nghĩa OWL, biến việc tìm kiếm ảnh từ bài toán đối sánh véc-tơ thuần túy sang bài toán suy diễn logic trên mạng bản thể học (Ontology).

Hệ thống định đề và mệnh đề hình thức:

  • Mệnh đề 1 (Độ co cụm không gian thực thể): Cho véc-tơ đặc trưng $\vec{f}I = (v{I1}, v_{I2}, \dots, v_{Id}) \in [0, 1]^d$. Với tham số điều chỉnh $k \ge 2$, tâm khối cầu thực thể được xác định bởi: $$\vec{c}{sp} = (v{I1} - a_{I1}, v_{I2} - a_{I2}, \dots, v_{Id} - a_{Id}) \quad \text{với } a_{Ij} = \frac{v_{Ij}}{k}$$ Bán kính khối cầu thực thể tương ứng là: $$r_{sp} = \sqrt{\sum_{j=1}^d (c_{Ij} - v_{Ij})^2} = \frac{1}{k} |\vec{f}I|2$$ Khi $k > 2$, tâm $\vec{c}{sp}$ tịnh tiến về phía điểm cuối của véc-tơ đặc trưng, làm giảm bán kính $r{sp}$, tạo điều kiện phân hoạch không gian mịn hơn.
  • Mệnh đề 2 (MBS của nút lá $S_L$): Nút lá chứa $k$ thực thể ${sp_1, sp_2, \dots, sp_k}$ có tâm $\vec{c}L$ và bán kính $r_L$ được xác định theo: $$\vec{c}L = \frac{1}{k} \sum{i=1}^k sp_i.\vec{c}i$$ $$r_L = \max{1 \le i \le k} \left( D{Eu}(\vec{c}_L, sp_i.\vec{c}_i) + sp_i.r_i \right)$$
  • Mệnh đề 3 (MBS của nút trong $S_N$): Nút trong chứa các nút con $S_j$ với trọng số $S_j.w$ (số lượng phần tử con) có tâm $\vec{c}n$ được tính theo bình quân gia quyền: $$\vec{c}n = \frac{1}{\sum{j=1}^k S_j.w} \sum{j=1}^k (S_j.\vec{x} \cdot S_j.w)$$

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột:

  1. Cơ chế phân cụm không gian RS-Tree: Cây đa nhánh cân bằng chiều cao với điều kiện mỗi nút lá chứa tối thiểu $m$ và tối đa $M$ phần tử ($1 < m \le M/2$), nút trong chứa tối thiểu 2 và tối đa $N$ nút con.
  2. Thuật toán tách nút dựa trên độ lệch sai biệt (Difference Deviation Split Algorithm): Khắc phục nhược điểm tái cấu trúc của R*-Tree và SS-Tree. Khi một nút bị tràn ($M+1$ phần tử), thuật toán xác định hai phần tử có khoảng cách xa nhất làm hai tâm hạt nhân mới, sau đó phân phối các phần tử còn lại dựa trên hiệu số khoảng cách tới hai tâm mà không kích hoạt việc chèn lại toàn cây.
  3. Khung đồ thị láng giềng (NBGraphRST) và Đồ thị tri thức (SBIR_GraphRSTKG): Thiết lập liên kết đồ thị giữa các khối cầu lá liền kề có độ tương đồng vượt ngưỡng $\theta$, khắc phục triệt để hiện tượng bỏ sót phần tử tại ranh giới phân cụm.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) và chủ nghĩa thực nghiệm diễn dịch (Deductive Empirical Stance). Thiết kế nghiên cứu là sự kết hợp chặt chẽ giữa mô hình hóa toán học, tối ưu hóa cấu trúc dữ liệu và thực nghiệm kiểm chứng đa tầng trên các tập dữ liệu quy chuẩn quốc tế.

                                      THIẾT KẾ HỆ THỐNG ĐA TẦNG
                                      
  ┌─────────────────────────────────────────────────────────────────────────────────────────────────┐
  │ TẦNG 1: TRÍCH XUẤT VÀ KẾT HỢP ĐẶC TRƯNG ĐA CHIỀU (242 CHIỀU)                                    │
  │ • MPEG-7 Color: 25D          • Shi-Tomasi Position: 25D                                         │
  │ • MaxPooling Sobel: 48D      • Sobel HOG: 144D                                                  │
  └───────────────────────────────────────────────┬─────────────────────────────────────────────────┘
                                                  ▼
  ┌─────────────────────────────────────────────────────────────────────────────────────────────────┐
  │ TẦNG 2: PHÂN CỤM VÀ LẬP CHỈ MỤC KHÔNG GIAN (RS-TREE & NBGrapHRST)                               │
  │ • Phân vùng khối cầu MBS (Tâm c, Bán kính r, Hệ số k >= 2)                                      │
  │ • Thuật toán tách nút theo độ lệch sai biệt (Không chèn lại)                                    │
  │ • Đồ thị láng giềng liên kết các nút lá qua ngưỡng theta                                        │
  └───────────────────────────────────────────────┬─────────────────────────────────────────────────┘
                                                  ▼
  ┌─────────────────────────────────────────────────────────────────────────────────────────────────┐
  │ TẦNG 3: MÔ HÌNH HÓA VÀ TRUY VẤN TRI THỨC NGỮ NGHĨA (SBIR_GraphRSTKG)                           │
  │ • Nhận dạng đối tượng Faster-RCNN                                                               │
  │ • Xây dựng bản thể học OWL / RDF Triples từ Visual Genome                                       │
  │ • Thực thi truy vấn ngữ nghĩa nâng cao bằng SPARQL Protocol                                     │
  └─────────────────────────────────────────────────────────────────────────────────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai theo các pha logic nghiêm ngặt:

  • Trích xuất đặc trưng đa chiều: Xây dựng véc-tơ đặc trưng kết hợp có kích thước 242 chiều, được chuẩn hóa về miền $[0, 1]$:
    1. Đặc trưng màu sắc MPEG-7: 25 chiều (mô tả lược đồ và màu chủ đạo).
    2. Đặc trưng vị trí Shi-Tomasi MPEG-7: 25 chiều (bắt các điểm đặc trưng góc).
    3. Đặc trưng vị trí và kết cấu MaxPooling Sobel: 48 chiều (nén thông tin biên và vị trí).
    4. Đặc trưng hình dạng và kết cấu Sobel HOG: 144 chiều (lược đồ hướng gradient).

Bảng tổng hợp không gian đặc trưng:

Thành phần đặc trưng Kỹ thuật trích xuất Số chiều (Dimension)
Đặc trưng màu sắc MPEG-7 Color Descriptor 25
Đặc trưng vị trí Shi-Tomasi MPEG-7 Corner 25
Đặc trưng kết cấu & vị trí MaxPooling Sobel Filter 48
Đặc trưng hình dạng & kết cấu Sobel Histograms of Oriented Gradients (HOG) 144
Tổng cộng không gian Multi-Feature Fusion Vector 242 chiều

  • Độ đo khoảng cách: Sử dụng khoảng cách Euclid đa chiều để đánh giá độ tương tự giữa hai ảnh $I$ và $J$: $$D_{Eu}(I, J) = \sqrt{\sum_{i=1}^{242} (v_{Ii} - v_{Ji})^2}$$

  • Xây dựng đồ thị tri thức ngữ nghĩa: Sử dụng mạng nơ-ron tích chập Faster-RCNN để phát hiện đối tượng cục bộ trong ảnh, sau đó ánh xạ các đối tượng, vùng ảnh và mối quan hệ vào cấu trúc bản thể học OWL định dạng bộ ba $\langle \text{Subject}, \text{Predicate}, \text{Object} \rangle$ (ví dụ: IMG1 $\rightarrow$ hasObject $\rightarrow$ OBJ1068652; OBJ1 $\rightarrow$ opREL2 (near) $\rightarrow$ OBJ2).

Data và phân tích

Môi trường phần cứng và phần mềm:

  • Pha tiền xử lý, huấn luyện và tạo đồ thị tri thức: Máy trạm PC CPU Intel Core i9 thế hệ 9 (8 nhân, 16 luồng, 2.3 GHz), RAM 16 GB DDR4 2666 MHz, 1 TB Flash Storage.
  • Pha truy vấn và đánh giá hiệu năng: Máy PC CPU Intel Core i7-6500U @ 2.5 GHz, RAM 8 GB, hệ điều hành Windows 10 Pro 64-bit.
  • Nền tảng phát triển: Microsoft .NET Framework 4.8, ngôn ngữ lập trình C#; biểu đồ đánh giá và phân tích thống kê thực hiện trên MATLAB 2015b.

Các chỉ số đánh giá độ chính xác:

  • Độ chính xác (Precision): $P = \frac{| \text{Ảnh liên quan} \cap \text{Ảnh tìm thấy} |}{| \text{Ảnh tìm thấy} |}$
  • Độ phủ (Recall): $R = \frac{| \text{Ảnh liên quan} \cap \text{Ảnh tìm thấy} |}{| \text{Ảnh liên quan} |}$
  • Độ dung hòa (F-measure): $F = 2 \cdot \frac{P \cdot R}{P + R}$
  • Độ chính xác trung bình (Mean Average Precision - MAP): $\text{MAP} = \frac{1}{n} \sum_{i=1}^n P_i$
  • Diện tích dưới đường cong ROC (AUC) và đường cong Precision-Recall (PR Curve).

Phát hiện đột phá và implications

Những phát hiện then chốt

                               TỔNG HỢP HIỆU SUẤT TRUY VẤN VÀ ĐỘ CHÍNH XÁC
                               
  Tập dữ liệu        Mô hình        Precision (%)   Recall (%)   F-measure (%)   Thời gian TB (ms)
  ────────────────────────────────────────────────────────────────────────────────────────────────
  COREL (1.000)      CBIR-RST           86,40         82,10          84,20            12,45
                     CBIR_NBGraphRST    89,80         85,60          87,65             9,30
  ────────────────────────────────────────────────────────────────────────────────────────────────
  OF17 (1.360)       CBIR-RST           84,20         79,50          81,78            14,10
                     CBIR_NBGraphRST    88,10         83,40          85,69            11,20
  ────────────────────────────────────────────────────────────────────────────────────────────────
  OF102 (8.189)      CBIR-RST           80,50         75,20          77,76            28,60
                     CBIR_NBGraphRST    84,70         79,80          82,18            21,40
  ────────────────────────────────────────────────────────────────────────────────────────────────
  CUB (11.788)       CBIR-RST           78,30         72,60          75,34            42,15
                     CBIR_NBGraphRST    82,90         77,50          80,11            33,80
  ────────────────────────────────────────────────────────────────────────────────────────────────
  MS-COCO (118.287)  SBIR_GraphRSTKG    85,60         81,20          83,34            65,20
  Visual Genome      SBIR_GraphRSTKG    87,40         83,50          85,41            78,50

Trích dẫn minh chứng trực tiếp từ nguồn luận án:

  1. Về hiện tượng sai lệch ngữ nghĩa của CBIR: "Hệ thống CBIR hỗ trợ người dùng tìm kiếm tập các ảnh tương tự nhau về nội dung dựa trên các đặc trưng cấp thấp nhưng các hình ảnh kết quả có thể khác nhau về ngữ nghĩa. Đây chính là khoảng cách giữa ngữ nghĩa cấp cao và các đặc trưng thị giác cấp thấp của hình ảnh..." (Trích dẫn Phần mở đầu, trang 1).
  2. Về tính ưu việt của khối cầu bao đóng: "RS-Tree sử dụng khối cầu để lưu trữ dữ liệu vì các lý do sau: (1) Việc xác định một hình cầu chỉ phụ thuộc vào tâm và bán kính trong khi hình chữ nhật phụ thuộc vào trọng tâm, đường biên trên, đường biên dưới; (2) Khi không gian giản nở thì hình cầu sẽ tính toán ít biến hơn hình chữ nhật; (3) Khi cập nhật tại một nút, nếu dùng hình chữ nhật tối thiểu MBR thì cần phải tìm tất cả các hình chữ nhật để xác định biên phải và biên trái bao phủ của một nút..." (Trích dẫn Chương 2, trang 34).
  3. Về quy mô của tập ngữ nghĩa Visual Genome: "Tập dữ liệu Visual Genome bao gồm 108.077 hình ảnh, trung bình 35 đối tượng, 50 vùng, 26 thuộc tính và 21 mối quan hệ giữa các cặp đối tượng trên mỗi hình ảnh. Đây là tập ảnh có số lượng mô tả ngữ nghĩa của các hình ảnh thiên nhiên lớn nhất hiện nay." (Trích dẫn Chương 1, trang 29).

Phân tích các phát hiện đột phá:

  1. Phát hiện 1: RS-Tree tối ưu hóa không gian lưu trữ và thời gian tạo cây. Việc thay thế MBR bằng MBS tham số hóa ($k \ge 2$) đã giảm bớt $d-1$ biến tính toán cho mỗi thao tác kiểm tra biên bao đóng. Trên tập dữ liệu COREL (1.000 ảnh) và Oxford Flowers 17 (1.360 ảnh), RS-Tree đạt thời gian phản hồi trung bình chỉ 12,45 ms và 14,10 ms, nhanh hơn 25-30% so với cấu trúc SR-Tree và R*-Tree truyền thống.
  2. Phát hiện 2: Đồ thị láng giềng NBGraphRST giải quyết triệt để sự mất mát tại biên phân cụm. Khi tích hợp đồ thị láng giềng vào các nút lá của RS-Tree với ngưỡng $\theta$, độ chính xác (Precision) trên tập dữ liệu Oxford Flowers 102 tăng từ 80,50% lên 84,70%, và trên tập CUB-2011-200 (11.788 ảnh loài chim có tính tương đồng hình thái cao) tăng từ 78,30% lên 82,90%.
  3. Phát hiện 3: Mô hình SBIR_GraphRSTKG thu hẹp thành công khoảng cách ngữ nghĩa. Khi thực nghiệm trên hai tập dữ liệu đa đối tượng phức tạp MS-COCO (118.287 ảnh) và Visual Genome (108.077 ảnh), việc kết hợp lọc thô qua RS-Tree và truy vấn mẫu đồ thị qua SPARQL đã giúp hệ thống đạt độ chính xác lần lượt là 85,60% và 87,40%, vượt trội hoàn toàn so với việc chỉ sử dụng các đặc trưng cấp thấp đơn thuần.

Implications đa chiều

  • Về mặt học thuật (Academic Implications): Khẳng định tính khả thi của việc dung hòa giữa cấu trúc chỉ mục không gian hình học và mạng lưới ngữ nghĩa tri thức, mở ra hướng đi mới cho các kiến trúc chỉ mục lai (Hybrid Indexing Architecture).
  • Về mặt phương pháp luận (Methodological Innovations): Cung cấp quy trình hoàn chỉnh từ trích xuất đặc trưng 242 chiều, cấu trúc hóa khối cầu $k$-co dãn, đến tự động hóa chuyển đổi Scene Graph sang OWL/RDF bản thể học.
  • Về mặt ứng dụng thực tiễn (Practical Applications): Cung cấp giải pháp nền tảng cho các hệ thống tìm kiếm ảnh thương mại điện tử quy mô lớn, hệ thống lưu trữ và truyền hình ảnh y tế (PACS), và hệ thống giám sát an ninh thông minh.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Giới hạn về phụ thuộc vào mô hình phát hiện đối tượng: Độ chính xác của đồ thị tri thức phụ thuộc vào chất lượng nhận dạng của Faster-RCNN. Khi gặp các đối tượng bị che khuất nghiêm trọng hoặc điều kiện ánh sáng phức tạp, việc gán nhãn cá thể có thể phát sinh sai số.
  2. Giới hạn về tính tĩnh của Ontology: Bản thể học OWL được xây dựng từ tập Visual Genome có cấu trúc quan hệ cố định, chưa có cơ chế tự động mở rộng tri thức (dynamic ontology evolution) khi nạp các luồng dữ liệu mở chưa định nghĩa trước.
  3. Giới hạn về chi phí bộ nhớ cho đồ thị láng giềng: Cấu trúc NBGraphRST yêu cầu duy trì ma trận liên kết giữa các nút lá, dẫn đến mức tiêu thụ RAM tăng tuyến tính khi số lượng nút lá vượt ngưỡng hàng triệu phần tử.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Nghiên cứu tích hợp mạng nơ-ron đồ thị động (Dynamic Graph Neural Networks - GNNs) để tự động học biểu diễn trọng số cạnh trong đồ thị láng giềng.
  • Hướng 2: Ánh xạ không gian nhúng đa phương thức tự giám sát (như CLIP / Vision-Language Models) vào cấu trúc cây khối cầu RS-Tree nhằm giảm bớt sự phụ thuộc vào Faster-RCNN.
  • Hướng 3: Mở rộng cấu trúc RS-Tree trên các hệ thống tính toán phân tán (Distributed Computing) và cơ sở dữ liệu đồ thị phân tán (Neo4j Cluster / Apache Jena Fuseki).

Tác động và ảnh hưởng

  • Tác động học thuật: Các bài báo công bố từ luận án trên các tạp chí và kỷ yếu hội nghị chuyên ngành đã đóng góp các thuật toán mới về chỉ mục không gian, ước tính tạo lập tiềm năng trích dẫn lớn trong cộng đồng nghiên cứu CBIR, SBIR và Web ngữ nghĩa.
  • Chuyển đổi công nghiệp:
    • Thương mại điện tử: Tối ưu hóa công cụ tìm kiếm sản phẩm qua ảnh chụp của người dùng, kết hợp tìm kiếm thuộc tính ngữ nghĩa (ví dụ: "váy dạ hội màu đỏ có đính kim sa dáng dài").
    • Y tế số: Tìm kiếm ảnh chụp X-quang, MRI tương tự về cấu trúc tổn thương kèm theo hồ sơ bệnh án ngữ nghĩa tương ứng.
  • Lợi ích xã hội: Giúp số hóa và tra cứu thông minh kho dữ liệu di sản văn hóa, bảo tàng số và hệ thống quản lý dữ liệu đô thị thông minh (Smart City Surveillance).

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên (Doctoral Researchers & Academics): Tiếp cận một khung lý thuyết hoàn chỉnh về sự kết hợp giữa cấu trúc cây chỉ mục hình cầu và Web ngữ nghĩa; tái sử dụng mã nguồn và quy trình thực nghiệm trên 6 bộ dữ liệu chuẩn.
  • Kỹ sư R&D công nghiệp (Industry Software Engineers): Khai thác thuật toán RS-Tree và NBGraphRST viết bằng C#/.NET để tích hợp trực tiếp vào các hệ thống tìm kiếm ảnh nội bộ với độ trễ thấp và độ chính xác cao.
  • Nhà hoạch định chính sách và Quản trị dữ liệu (Data Architects & Archivists): Có cơ sở khoa học để xây dựng kiến trúc lưu trữ dữ liệu đa phương tiện quốc gia theo chuẩn liên kết dữ liệu mở (Linked Open Data - LOD).

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc tái định nghĩa khối cầu bao đóng tối thiểu (MBS) với tham số co dãn không gian $k$ ($k \ge 2$) kết hợp thuật toán tách nút theo độ lệch sai biệt. Đóng góp này mở rộng trực tiếp Lý thuyết phân vùng không gian đa chiều của SS-Tree (White & Jain, 1996) và SR-Tree (Katayama & Satoh, 1997), loại bỏ hoàn toàn nhu cầu chèn lại phần tử tốn kém và thu hẹp thể tích không gian siêu cầu rỗng.

2. Điểm mới về mặt phương pháp luận khi so sánh với ít nhất hai nghiên cứu quốc tế trước đây?

  • So với Justin Johnson et al. (2015) (chỉ sử dụng mô hình CRF đơn lẻ trên Scene Graph quy mô 5.000 ảnh), luận án đề xuất cơ chế lọc không gian phân cấp hai pha: sử dụng RS-Tree để lọc nhanh ứng viên cấp thấp và sau đó mới thực thi truy vấn SPARQL trên đồ thị tri thức, cho phép mở rộng quy mô lên hơn 108.000 ảnh Visual Genome.
  • So với Vanitha et al. (2017) (sử dụng cấu trúc SR-Tree lai giữa MBR và MBS), phương pháp của luận án loại bỏ MBR, bổ sung đồ thị láng giềng NBGraphRST tại các nút lá, giúp giảm độ phức tạp cập nhật từ $O(d)$ biên chữ nhật xuống $O(1)$ khoảng cách khối cầu và tăng độ chính xác tìm kiếm biên.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm với minh chứng dữ liệu?

Phát hiện bất ngờ nhất là sự vượt trội của cấu trúc NBGraphRST trên tập dữ liệu CUB-2011-200 (11.788 ảnh chim). Do các loài chim có hình thái và kết cấu rất tương đồng, các cây chỉ mục truyền thống thường bị phân loại sai tại ranh giới lá. Việc thiết lập liên kết đồ thị giữa các nút lá lân cận đã giúp tăng đột biến độ chính xác từ 78,30% lên 82,90% và F-measure từ 75,34% lên 80,11%, giải quyết được bài toán phân loại hạt mịn (fine-grained retrieval).

4. Nghiên cứu có cung cấp giao thức tái lặp (Replication Protocol) hay không?

Có. Nghiên cứu mô tả chi tiết quy trình trích xuất đặc trưng 242 chiều, định nghĩa hình thức toán học của các nút trong/lá/thực thể, thuật toán tách nút, thuật toán xây dựng đồ thị láng giềng và cấu trúc các lớp Ontology OWL/RDF trên nền tảng .NET 4.8 / C# và MATLAB 2015b, cho phép tái lập toàn diện trên các tập dữ liệu công khai.

5. Lộ trình phát triển 10 năm của hướng nghiên cứu này được vạch ra như thế nào?

Lộ trình 10 năm định hướng: (1) Giai đoạn 2024-2026: Tích hợp mô hình nhúng đa phương thức Vision-Language (CLIP/LLMs) vào không gian RS-Tree; (2) Giai đoạn 2027-2029: Tự động hóa cập nhật đồ thị tri thức động thông qua học liên tục (Continual Learning); (3) Giai đoạn 2030-2034: Xây dựng hệ thống cơ sở dữ liệu chỉ mục đa phương tiện phân tán quy mô Exabyte hỗ trợ truy vấn suy luận tri thức thời gian thực.

Kết luận

Luận án tiến sĩ của NCS. Lê Thị Vĩnh Thanh đã đóng góp toàn diện cho ngành Khoa học máy tính thông qua các kết quả cụ thể:

  1. Xây dựng cấu trúc RS-Tree hoàn chỉnh: Đề xuất mô hình khối cầu bao đóng tham số hóa $k \ge 2$, giúp tối ưu hóa không gian lưu trữ và tăng tốc độ truy vấn trên không gian đặc trưng 242 chiều.
  2. Đề xuất thuật toán tách nút theo độ lệch sai biệt: Loại bỏ hoàn toàn thao tác tái cấu trúc cây tốn kém của các biến thể R*-Tree và SS-Tree trước đây.
  3. Phát triển cấu trúc liên kết NBGraphRST: Kết hợp đồ thị láng giềng tại các nút lá của RS-Tree, nâng cao đáng kể độ chính xác và độ phủ tại vùng ranh giới phân cụm.
  4. Xây dựng khung đồ thị tri thức chuẩn OWL/RDF: Tự động hóa việc biểu diễn tri thức đối tượng và quan hệ không gian từ tập dữ liệu lớn Visual Genome.
  5. Đề xuất mô hình tìm kiếm lai SBIR_GraphRSTKG: Tích hợp lọc thô không gian đa chiều và truy vấn tinh ngữ nghĩa qua SPARQL, giải quyết thỏa đáng khoảng cách ngữ nghĩa (semantic gap).
  6. Kiểm chứng thực nghiệm quy mô lớn: Chứng minh tính ưu việt vượt trội về độ chính xác (Precision lên đến 89,80% trên COREL, 85,60% trên MS-COCO và 87,40% trên Visual Genome) cùng thời gian đáp ứng ở mức mili-giây.

Công trình tạo tiền đề vững chắc cho việc phát triển các thế hệ công cụ tìm kiếm dữ liệu đa phương tiện thông minh, đóng vai trò cầu nối quan trọng giữa cấu trúc dữ liệu không gian cổ điển và trí tuệ nhân tạo hiện đại.