Tổng quan về luận án

Sự bùng nổ dữ liệu đa phương tiện trong kỷ nguyên số đặt ra thách thức nghiêm trọng về năng lực lập chỉ mục đa chiều và xử lý truy vấn tương đồng thời gian thực trong thị giác máy tính. Luận án tiến sĩ ngành Khoa học máy tính (Mã số: 9480101) 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), mang tiêu đề "Kết hợp cấu trúc R-Tree với đồ thị tri thức cho mô hình tìm kiếm ảnh", đã tiên phong giải quyết đồng thời hai nút thắt cốt lõi: tối ưu hóa không gian lưu trữ đa chiều cấp thấp và thu hẹp khoảng cách ngữ nghĩa (semantic gap) cấp cao.

                  ┌─────────────────────────────────────────────────────────┐
                  │                 HỆ THỐNG TRUY VẤN ẢNH HỖN HỢP           │
                  └────────────────────────────┬────────────────────────────┘
                                               │
                       ┌───────────────────────┴───────────────────────┐
                       ▼                                               ▼
         ┌───────────────────────────┐                   ┌───────────────────────────┐
         │     NHÁNH THỊ GIÁC (CBIR) │                   │    NHÁNH NGỮ NGHĨA (SBIR) │
         └─────────────┬─────────────┘                   └─────────────┬─────────────┘
                       │                                               │
         ┌─────────────▼─────────────┐                   ┌─────────────▼─────────────┐
         │ Trích xuất 242 chiều:     │                   │ Phát hiện đối tượng:      │
         │ - MPEG-7 Color (25D)      │                   │ - Faster R-CNN            │
         │ - Shi-Tomasi MPEG-7 (25D) │                   │ - Visual Scene Graph (VSG)│
         │ - MaxPooling Sobel (48D)  │                   └─────────────┬─────────────┘
         │ - Sobel HOG (144D)        │                                 │
         └─────────────┬─────────────┘                   ┌─────────────▼─────────────┐
                       │                                 │ Mô hình hóa tri thức:     │
         ┌─────────────▼─────────────┐                   │ - Ontology OWL / RDF      │
         │ Lập chỉ mục không gian:   │                   │ - Đồ thị tri thức (KG)    │
         │ - Cây RS-Tree (MBS, k≥2)  │                   └─────────────┬─────────────┘
         │ - Đồ thị cụm NBGraphRST   │                                 │
         └─────────────┬─────────────┘                   ┌─────────────▼─────────────┐
                       │                                 │ Truy vấn ngữ nghĩa:       │
                       │                                 │ - SPARQL Protocol         │
                       └───────────────────────┬─────────┴───────────────────────────┘
                                               │
                                 ┌─────────────▼─────────────┐
                                 │   KẾT QUẢ TRUY VẤN CHÍNH XÁC│
                                 │ (Tối ưu MAP, AUC, PR, ROC)│
                                 └───────────────────────────┘

Khoảng cách nghiên cứu (research gap) được xác định rõ: các cấu trúc cây không gian truyền thống như R-Tree của Guttman (1984), R*-Tree của Beckmann et al. (1990) và SR-Tree của Katayama & Satoh (1997) chịu ảnh hưởng nặng nề bởi "lời nguyền số chiều" (curse of dimensionality). Việc sử dụng hình chữ nhật bao đóng tối thiểu (Minimum Bounding Rectangle - MBR) tạo ra độ chồng lấp thể tích dư thừa lớn, làm suy giảm tốc độ tìm kiếm do phải duyệt đa đường dẫn (multi-path search). Mặt khác, các hệ tìm kiếm ảnh theo nội dung (Content-Based Image Retrieval - CBIR) thuần túy dựa trên đặc trưng cấp thấp thường gặp giới hạn phân loại khi hình ảnh có cùng phân bố màu sắc/kết cấu nhưng mang ngữ nghĩa dị biệt hoàn toàn, phản ánh sự phân tầng trong mô hình 3 cấp độ truy vấn của Eakins (Level 1: Primitive features; Level 2: Logical objects; Level 3: Abstract attributes).

Hệ thống câu hỏi và giả thuyết nghiên cứu được xác lập mạch lạc:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để cấu trúc hóa không gian đặc trưng đa chiều nhằm giảm thiểu chi phí tính toán giãn nở và triệt tiêu vùng thể tích dư thừa của các nút chỉ mục?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để tích hợp quan hệ láng giềng giữa các nút lá nhằm cải thiện độ chính xác và độ phủ của các truy vấn vùng lân cận?
  • Câu hỏi nghiên cứu 3 (RQ3): Cơ chế nào cho phép liên kết biểu diễn tri thức dạng đồ thị ngữ cảnh (Scene Graph) với không gian chỉ mục thị giác để thực hiện tìm kiếm ảnh theo ngữ nghĩa (Semantic-Based Image Retrieval - SBIR)?
  • Giả thuyết 1 (H1): Sử dụng khối cầu bao đóng tối thiểu (Minimum Bounding Sphere - MBS) với tham số co ngót tâm $k \ge 2$ và phân tách nút theo độ lệch sai biệt phương sai sẽ giảm đáng kể độ chồng lấp không gian và thời gian truy vấn so với R-Tree, R*-Tree, SS-Tree và SR-Tree.
  • Giả thuyết 2 (H2): Mô hình kết hợp cấu trúc phân cấp RS-Tree, đồ thị cụm láng giềng NBGraphRST và đồ thị tri thức xây dựng trên nền tảng Web Ontology Language (OWL) cùng truy vấn SPARQL sẽ vượt trội hơn các mô hình CBIR truyền thống lẫn các kiến trúc học sâu đơn lẻ về chỉ số Mean Average Precision (MAP) và diện tích dưới đường cong (Area Under the Curve - AUC).

Nghiên cứu được triển khai trên quy mô thực nghiệm sâu rộng gồm 6 bộ dữ liệu chuẩn quốc tế: 4 tập đơn đối tượng (COREL: 1.000 ảnh, 10 lớp; Oxford Flowers 17: 1.360 ảnh, 17 lớp; Oxford Flowers 102: 8.198 ảnh, 102 lớp; CUB-2011-200: 11.778 ảnh, 200 lớp) và 2 tập đa đối tượng quy mô lớn (Visual Genome: 108.077 ảnh, trung bình 35 đối tượng và 21 quan hệ/ảnh; MS-COCO: 118.287 ảnh, 80 lớp).

Literature Review và Positioning

Khảo sát tổng quan y văn quốc tế cho thấy hai trường phái nghiên cứu chính trong xử lý và tìm kiếm ảnh:

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                                   TIẾN TRÌNH TIẾP CẬN Y VĂN                              │
├─────────────────────────────────────────────┬────────────────────────────────────────────┤
│ TRƯỜNG PHÁI CHỈ MỤC KHÔNG GIAN ĐA CHIỀU     │ TRƯỜNG PHÁI NGỮ NGHĨA & ĐỒ THỊ TRI THỨC   │
├─────────────────────────────────────────────┼────────────────────────────────────────────┤
│ • Guttman (1984): R-Tree nguyên bản         │ • Eakins (1996, 2000): Mô hình 3 cấp độ    │
│   Nhược điểm: MBR chồng lấp lớn             │ • Berners-Lee et al. (2001): Semantic Web  │
│ • Beckmann et al. (1990): R*-Tree           │ • Google (2012): Knowledge Graph           │
│   Nhược điểm: Chi phí chèn lại tái cấu trúc │ • Justin Johnson et al. (2015): Scene Graph│
│ • White & Jain: SS-Tree (Hình cầu MBS)      │   kết hợp mạng CRF                         │
│ • Katayama & Satoh (1997): SR-Tree          │ • Rabah et al., Schroeder et al.: Graph    │
│   Nhược điểm: Lưu cả MBR+MBS gây nặng bộ nhớ│   Convolutional Networks (GCN)             │
│ • Haldurai et al. (2015): Fuzzy R-Tree      │ • Zellers et al., Yang et al.: Attentive   │
│ • Vanitha et al. (2017): SR-Tree trên COREL │   Relational Network (ARN)                 │
└─────────────────────────────────────────────┴────────────────────────────────────────────┘

Trong trường phái chỉ mục không gian, các công trình của Haldurai và cộng sự (2015) sử dụng R-Tree kết hợp mờ hóa đặc trưng màu và kết cấu; Abd Aziz và cộng sự ứng dụng S-Map giảm chiều véc-tơ trên R-Tree; Vanitha và cộng sự (2017) áp dụng SR-Tree trên tập ảnh COREL; Sharma và cộng sự (2015) cùng Alfarrarjeh và cộng sự (2020) triển khai R*-Tree cho ảnh thực vật và không gian đường phố. Điểm hạn chế chung của nhóm này là cấu trúc MBR tạo ra thể tích rỗng lớn ở biên, trong khi cơ chế chèn lại (forced re-insert) của R*-Tree và việc lưu kép cả MBR lẫn MBS của SR-Tree làm bùng nổ chi phí tính toán và tăng chiều cao cây chỉ mục.

Ở trường phái tiếp cận ngữ nghĩa, Justin Johnson và cộng sự (2015) khởi xướng việc sử dụng đồ thị ngữ cảnh (Scene Graph - SG) kết hợp mô hình trường ngẫu nhiên có điều kiện (Conditional Random Field - CRF) trên 5.000 đồ thị mẫu. Các công trình tiếp nối của Rabah et al., Schroeder et al., và nhóm nghiên cứu mạng Attentive Relational Network (ARN) đã ứng dụng Graph Convolutional Network (GCN) và cơ chế Self-Attention để ánh xạ quan hệ không gian vào không gian nhúng. Tuy nhiên, các giải pháp ngữ nghĩa học sâu này gặp rào cản nghiêm trọng về chi phí tài nguyên tính toán huấn luyện và hoàn toàn thiếu vắng cơ chế lập chỉ mục không gian hình học để truy vấn nhanh ở mức dữ liệu lớn.

Luận án của Lê Thị Vĩnh Thanh định vị chính xác tại điểm giao thoa: xây dựng cây cấu trúc vùng cầu cải tiến (RS-Tree) kết hợp đồ thị láng giềng (NBGraphRST) đóng vai trò bộ lọc thị giác đa chiều hiệu năng cao, kết hợp khung Ontology OWL và đồ thị tri thức Visual Genome đóng vai trò công cụ suy luận quan hệ ngữ nghĩa chính xác thông qua ngôn ngữ truy vấn SPARQL.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng trực tiếp lý thuyết cấu trúc dữ liệu không gian của Guttman (1984), Beckmann et al. (1990), White & Jain (SS-Tree) và Katayama & Satoh (1997) bằng việc hình thức hóa mô hình khối cầu thực thể cải tiến.

                                  Tâm MBS thực thể csp:
                          k = 2: Trung điểm đoạn thẳng OA
                          k > 2: Tịnh tiến dần về điểm A (giảm bán kính rsp)
                                        │
                                        ▼
              O (Gốc tọa độ) ───────────────────────► A (Véc-tơ đặc trưng f_I)
                                    csp (k≥2)

Mỗi véc-tơ đặc trưng cấp thấp $d$-chiều $f_I = (v_{I1}, v_{I2}, \dots, v_{Id})$ được đóng gói thành một thực thể hình cầu $sp_{ED} = \langle MBS, oid \rangle$, trong đó:

  • Tâm khối cầu: $$c_{sp} = (c_{I1}, c_{I2}, \dots, c_{Id}) \quad \text{với } c_{Ij} = v_{Ij} - \frac{v_{Ij}}{k}, \quad k \ge 2$$
  • Bán kính khối cầu: $$r_{sp} = \sqrt{\frac{1}{d} \sum_{j=1}^{d} (c_{Ij} - v_{Ij})^2}$$

Khi thiết lập $k \ge 2$, tâm khối cầu $c_{sp}$ tịnh tiến dọc theo véc-tơ vị trí hướng về điểm mút $A(f_I)$, làm giảm bán kính hình cầu $r_{sp}$, triệt tiêu không gian bao đóng rỗng và tối ưu hóa mật độ phân vùng dữ liệu.

Mô hình phân tách nút lá (node splitting) được tái thiết kế dựa trên độ lệch sai biệt phương sai thay vì sắp xếp bao đóng MBR tốn kém: khi nút lá $S_L$ vượt ngưỡng dung lượng $M$, thuật toán tính toán hai phần tử có khoảng cách xa nhất làm tâm khởi tạo cho hai cụm mới, phân phối lại các phần tử dựa trên cực tiểu hóa phương sai khoảng cách Euclid và cập nhật ngưỡng phân cụm tương tự $\theta$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành 3 nền tảng lý thuyết:

  1. Lý thuyết hình học tính toán đa chiều: Xây dựng RS-Tree phân cấp cân bằng, nơi mỗi nút trong $S_N = \langle MBS, p \rangle$ chứa tâm trung bình trọng số $c_n$ và bán kính bao phủ $r_n = \max_{j} (D_{Eu}(c_n, S_j.c) + S_j.r)$.
  2. Lý thuyết đồ thị cấu trúc: Thiết lập đồ thị cụm láng giềng $NBGraphRST = \langle V, E \rangle$ trên các nút lá của RS-Tree, trong đó đỉnh $V$ là các nút lá có vùng không gian giao nhau hoặc có khoảng cách Euclid giữa hai tâm $D_{Eu}(c_{L1}, c_{L2}) \le r_{L1} + r_{L2} + \delta$, giải quyết triệt để hiện tượng phân mảnh cụm ở biên ranh giới.
  3. Lý thuyết Web ngữ nghĩa và Ontology: Thiết kế đồ thị tri thức $KG = (O, E)$ chuẩn hóa dưới định dạng Resource Description Framework (RDF) và OWL. Thực thể ảnh ($IMG$), lớp ($Class$), đối tượng ($OBJ$), và mối quan hệ vị từ ($opREL$) được mô hình hóa thành các bộ ba ngữ nghĩa (triples: $\langle subject, predicate, object \rangle$), cho phép máy suy luận logic và thực thi truy vấn cấu trúc bằng SPARQL.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ phương pháp luận thực chứng (Positivism / Post-positivism) kết hợp mô hình thiết kế khoa học máy tính thực nghiệm (Design Science Research). Kiến trúc hệ thống đa tầng được thiết kế nhằm kiểm chuẩn độc lập và tích hợp từng thành phần.

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                         THIẾT KẾ VÉC-TƠ ĐẶC TRƯNG HÌNH ẢNH 242 CHIỀU                     │
├──────────────────────────────┬──────────┬────────────────────────────────────────────────┤
│ Nhóm đặc trưng trích xuất    │ Số chiều │ Phương pháp toán học & Thuật toán              │
├──────────────────────────────┼──────────┼────────────────────────────────────────────────┤
│ Đặc trưng màu sắc MPEG-7     │ 25 chiều │ Color Structure Descriptor / Histogram         │
│ Đặc trưng vị trí Shi-Tomasi  │ 25 chiều │ Shi-Tomasi Corner Detector kết hợp MPEG-7      │
│ Vị trí & Kết cấu MaxPooling  │ 48 chiều │ Toán tử Sobel + MaxPooling giảm chiều          │
│ Hình dạng & Kết cấu Sobel HOG│ 144 chiều│ Sobel Edge Filter + Histogram of Oriented Grad │
├──────────────────────────────┼──────────┼────────────────────────────────────────────────┤
│ TỔNG CỘNG SỐ CHIỀU           │ 242 chiều│ Chuẩn hóa Min-Max toàn vẹn trên đoạn [0, 1]    │
└──────────────────────────────┴──────────┴────────────────────────────────────────────────┘

Khoảng cách thị giác giữa hai véc-tơ đặc trưng ảnh $f_I$ và $f_J$ được tính toán thông qua độ đo khoảng cách Euclid chuẩn hóa: $$D_{Eu}(I, J) = \sqrt{\sum_{i=1}^{m} (v_{Ii} - v_{Ji})^2}$$

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua 4 pha liên hoàn:

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│     PHA 1       │     │     PHA 2       │     │     PHA 3       │     │     PHA 4       │
│ Trích xuất &    │────►│ Xây dựng        │────►│ Mô hình hóa     │────►│ Khớp nối truy   │
│ Chuẩn hóa       │     │ RS-Tree &       │     │ Ontology OWL &  │     │ vấn hỗn hợp     │
│ 242D Features   │     │ NBGraphRST      │     │ Faster R-CNN KG │     │ CBIR + SPARQL   │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘
  • Pha 1 (Feature Engineering): Trích xuất tự động 242 đặc trưng thị giác từ tập dữ liệu huấn luyện, chuẩn hóa dữ liệu về miền giá trị $[0, 1]$ nhằm triệt tiêu thiên lệch thang đo.
  • Pha 2 (Spatial Indexing): Khởi tạo cấu trúc cây RS-Tree với bậc nút lá $M$, bậc nút trong $N$, hệ số co ngót $k \ge 2$ và ngưỡng tương tự $\theta$. Xây dựng đồ thị láng giềng NBGraphRST kết nối các nút lá cận biên.
  • Pha 3 (Knowledge Graph Construction): Ứng dụng mạng nơ-ron tích chập Faster R-CNN nhận dạng vùng đối tượng trên bộ dữ liệu Visual Genome; trích xuất các nhãn lớp, thuộc tính và liên kết quan hệ không gian/hành động; ánh xạ toàn bộ vào lược đồ Ontology dưới dạng các bộ ba RDF/OWL.
  • Pha 4 (Hybrid Query Pipeline): Nhận ảnh truy vấn $Q$, trích xuất véc-tơ đặc trưng thị giác 242 chiều, duyệt trên cây RS-Tree và đồ thị NBGraphRST để trích xuất $K$ ảnh ứng viên tương đồng nhất; sau đó ánh xạ đồ thị ngữ cảnh của ảnh truy vấn vào Knowledge Graph, sinh mã truy vấn SPARQL tự động để sàng lọc tập kết quả ngữ nghĩa chính xác cao.

Data và phân tích

Toàn bộ hệ thống thuật toán xây dựng cây chỉ mục và đồ thị láng giềng được lập trình bằng ngôn ngữ C# trên nền tảng .NET Framework 4.8. Các thuật toán phân tích hiệu năng, vẽ đường cong ROC (Receiver Operating Characteristic), tính toán diện tích dưới đường cong AUC và đường cong Precision-Recall (PR curve) được tự động hóa trên môi trường MATLAB 2015b.

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                            CẤU HÌNH PHẦN CỨNG THỰC NGHIỆM CHUẨN                          │
├─────────────────────────┬────────────────────────────────────────────────────────────────┤
│ Môi trường Tiền xử lý   │ PC CPU 2.3GHz 8-core Intel Core i9 (Gen 9th), 16GB RAM 2666MHz,│
│ & Xây dựng Đồ thị Tri thức 1TB PCIe Flash Storage, Hệ điều hành Windows 10 Pro 64-bit    │
├─────────────────────────┼────────────────────────────────────────────────────────────────┤
│ Môi trường Thực thi     │ PC CPU Intel Core i7-6500U @ 2.5GHz, 8GB DDR3 RAM,             │
│ & Đánh giá Truy vấn     │ 500GB SSD Storage, Hệ điều hành Windows 10 Pro 64-bit          │
└─────────────────────────┴────────────────────────────────────────────────────────────────┘

Các chỉ số thống kê định lượng cốt lõi bao gồm:

  • Độ chính xác: $$\text{Precision} = \frac{|\text{relevant images} \cap \text{retrieved images}|}{|\text{retrieved images}|}$$
  • Độ phủ: $$\text{Recall} = \frac{|\text{relevant images} \cap \text{retrieved images}|}{|\text{relevant images}|}$$
  • Độ đo dung hòa F-measure: $$\text{F-measure} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$
  • Độ chính xác trung bình MAP: $$\text{MAP} = \frac{1}{n} \sum_{i=1}^{n} P_i$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Các thực nghiệm đối sánh đa chiều trên 6 bộ dữ liệu đã mang lại những kết quả có ý nghĩa khoa học sâu sắc:

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│              HIỆU NĂNG ĐỐI SÁNH TRÊN TẬP DỮ LIỆU CHUẨN COREL (1.000 ẢNH)                 │
├──────────────────────────┬──────────────────┬────────────────────┬───────────────────────┤
│ Phương pháp / Kiến trúc  │ Độ chính xác (%) │ Thời gian TB (ms)  │ Độ đo tích hợp        │
├──────────────────────────┼──────────────────┼────────────────────┼───────────────────────┤
│ R-Tree nguyên bản        │ 68,40%           │ 142 ms             │ MBR chồng lấp lớn     │
│ R*-Tree (Beckmann)       │ 74,20%           │ 118 ms             │ Chi phí chèn lại cao  │
│ SR-Tree (Vanitha 2017)   │ 78,60%           │ 96 ms              │ Kích thước nút lớn    │
│ CBIR-RST (Đề xuất)       │ 84,30%           │ 42 ms              │ MBS tối ưu (k≥2)      │
│ CBIR_NBGraphRST (Đề xuất)│ 89,75%           │ 48 ms              │ Liên kết cụm lá       │
│ SBIR_GraphRSTKG (Đề xuất)│ 94,80%           │ 56 ms              │ Hỗn hợp KG + SPARQL   │
└──────────────────────────┴──────────────────┴────────────────────┴───────────────────────┘
  • Phát hiện 1 (Tối ưu hóa hình học cầu): Cấu trúc RS-Tree với việc sử dụng MBS thuần túy và hệ số co bán kính $k \ge 2$ giúp giảm hơn 50% chi phí tính toán cập nhật nút so với SR-Tree (vốn phải duy trì đồng thời cả MBR và MBS). Thời gian truy vấn trung bình trên tập COREL giảm từ 96 ms xuống còn 42 ms.
  • Phát hiện 2 (Khắc phục phân mảnh biên nhờ đồ thị láng giềng): Mô hình CBIR_NBGraphRST nâng độ chính xác trung bình trên tập Oxford Flowers 102 lên mức vượt trội so với RS-Tree đơn lẻ nhờ việc kết nối các nút lá lân cận có khoảng cách tâm $D_{Eu}(c_{L1}, c_{L2}) \le r_{L1} + r_{L2} + \delta$, triệt tiêu việc bỏ sót các ảnh tương đồng nằm ở hai nhánh cây con khác nhau.
  • Phát hiện 3 (Đột phá thu hẹp khoảng cách ngữ nghĩa): Mô hình SBIR_GraphRSTKG kết hợp RS-Tree và Đồ thị tri thức đạt độ chính xác đỉnh cao 94,80% trên tập COREL và thể hiện sự vượt trội trên các tập ảnh phức tạp Visual Genome và MS-COCO (118.287 ảnh), vượt qua các mô hình CBIR dựa trên CNN đơn thuần của Kumar et al. (2020) vốn có độ phủ thấp khi tăng kích thước tập kết quả trả về.
  • Phát hiện 4 (Tính ổn định thời gian thực): Đường cong ROC và PR trên cả 4 tập đơn đối tượng và 2 tập đa đối tượng chứng minh diện tích AUC của hệ thống đề xuất đạt giá trị tiệm cận tối ưu ($AUC > 0,92$), duy trì tính ổn định cao khi số lượng lớp đối tượng tăng từ 10 (COREL) lên 200 (CUB-2011-200).

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh tính khả thi của mô hình lai (hybrid paradigm) kết hợp giữa cấu trúc phân vùng không gian hình học (spatial geometric partitioning) và biểu diễn tri thức tượng trưng (symbolic knowledge representation), tạo tiền đề lý thuyết mới cho lĩnh vực khai phá dữ liệu đa phương tiện.
  • Về mặt phương pháp luận: Đưa ra thuật toán chuẩn mực để chuyển đổi các đồ thị ngữ cảnh thị giác (Visual Scene Graphs) từ các mô hình học sâu (Faster R-CNN) thành các Ontology chuẩn OWL có khả năng truy vấn bằng ngôn ngữ SPARQL.
  • Về mặt ứng dụng thực tiễn: Cung cấp giải pháp nền tảng cho các hệ thống tìm kiếm ảnh quy mô lớn đòi hỏi độ trễ cực thấp và độ chính xác ngữ nghĩa cao, như hệ thống chẩn đoán hình ảnh y tế (Medical CBIR), điều tra nhận dạng hình sự và thương mại điện tử thị giác.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Phụ thuộc chất lượng mô hình phát hiện đối tượng: Đồ thị tri thức được xây dựng dựa trên đầu ra của Faster R-CNN; do đó, các lỗi nhận dạng sai đối tượng hoặc bỏ sót quan hệ trong các bức ảnh có độ phân giải thấp sẽ lan truyền trực tiếp vào chất lượng của đồ thị tri thức.
  2. Chi phí khởi tạo Ontology ban đầu: Quá trình sinh bộ ba RDF/OWL và nạp vào triplestore cho các tập dữ liệu cực lớn như Visual Genome (hơn 108.000 ảnh) đòi hỏi dung lượng bộ nhớ lớn và thời gian tiền xử lý đáng kể.
  3. Tính động của cây chỉ mục: Thuật toán RS-Tree hiện tại được tối ưu hóa xuất sắc cho các tác vụ tìm kiếm tĩnh (static querying); các thao tác xóa và cập nhật động (dynamic batch updates) trong môi trường dữ liệu luồng (streaming data) cần được hoàn thiện thêm.

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

  • Tích hợp mạng tích chập đồ thị (Graph Convolutional Networks - GCN) trực tiếp vào không gian nhúng của RS-Tree để thực hiện suy luận đồ thị liên tục.
  • Phát triển cơ chế phản hồi liên quan tự động (Automatic Relevance Feedback - ARF) dựa trên học tăng cường (Reinforcement Learning) nhằm tinh chỉnh trọng số véc-tơ 242 chiều theo hành vi người dùng.
  • Mở rộng mô hình chỉ mục RS-Tree sang dữ liệu video và dữ liệu không gian - thời gian (Spatio-Temporal Video Retrieval).

Tác động và ảnh hưởng

Công trình nghiên cứu tạo ra những ảnh hưởng sâu rộng trên nhiều bình diện:

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                               MA TRẬN TÁC ĐỘNG VÀ ẢNH HƯỞNG                              │
├─────────────────────┬────────────────────────────────────────────────────────────────────┤
│ Tác động Học thuật  │ Đóng góp công bố quốc tế uy tín, thiết lập framework chuẩn kết hợp │
│                     │ giữa cấu trúc cây chỉ mục không gian và Ontology Web ngữ nghĩa.   │
├─────────────────────┼────────────────────────────────────────────────────────────────────┤
│ Chuyển đổi Công nghệ│ Cung cấp mã nguồn thuật toán tối ưu (C# / .NET) sẵn sàng tích hợp   │
│ & Công nghiệp       │ vào các công cụ tìm kiếm thị giác thương mại điện tử và thành phố  │
│                     │ thông minh (Smart City Surveillance).                              │
├─────────────────────┼────────────────────────────────────────────────────────────────────┤
│ Giá trị Xã hội      │ Ứng dụng trong y tế thông minh (Smart Healthcare) nhằm truy vấn các│
│ & Chẩn đoán Y tế    │ hình ảnh tổn thương bệnh lý tương đồng, hỗ trợ bác sĩ đưa ra phác  │
│                     │ đồ điều trị chính xác dựa trên bằng chứng thị giác.                │
└─────────────────────┴────────────────────────────────────────────────────────────────────┘

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Thị giác máy tính: Tiếp cận một cấu trúc chỉ mục không gian mới (RS-Tree, NBGraphRST) và quy trình mô hình hóa tri thức ảnh hoàn chỉnh.
  • Kỹ sư R&D Hệ thống Tìm kiếm & Big Data: Khai thác thuật toán phân cụm dựa trên khối cầu MBS và phương sai để giảm tải tài nguyên phần cứng cho các cơ sở dữ liệu hàng triệu ảnh.
  • Chuyên gia Y tế & Cơ quan Điều tra: Ứng dụng mô hình SBIR để tìm kiếm các dữ kiện hình ảnh có tính chất quan hệ phức tạp mà các hệ thống tìm kiếm từ khóa hoặc CBIR truyền thống không thể phát hiện.

Câu hỏi chuyên sâu

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

Đóng góp lý thuyết độc đáo nhất là việc đề xuất cấu trúc cây phân cụm vùng khối cầu RS-Tree với tham số co ngót tâm $k \ge 2$ và thuật toán phân tách nút dựa trên phương sai sai biệt. Công trình đã mở rộng trực tiếp lý thuyết chỉ mục đa chiều R-Tree của Guttman (1984) và khắc phục nhược điểm lưu trữ kép nặng nề của cây SR-Tree (Katayama & Satoh, 1997), tạo ra một mô hình toán học tối ưu cho việc phân vùng dữ liệu đặc trưng cấp thấp $d$-chiều.

2. Tính đổi mới trong phương pháp luận khi so sánh với các nghiên cứu tiền nhiệm?

So với công trình của Vanitha và cộng sự (2017) vốn chỉ dừng lại ở việc áp dụng SR-Tree trên các đặc trưng màu/không gian đơn giản, và công trình của Justin Johnson và cộng sự (2015) chỉ dùng đồ thị ngữ cảnh với mô hình CRF thuần túy, luận án đã xây dựng một kiến trúc 2 pha hoàn chỉnh: tích hợp đồ thị láng giềng NBGraphRST vào các nút lá RS-Tree để lọc nhanh không gian ứng viên, sau đó kết nối trực tiếp với Ontology OWL/SPARQL để suy luận quan hệ ngữ nghĩa.

┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                                 BẢNG SO SÁNH PHƯƠNG PHÁP LUẬN                            │
├──────────────────────────┬────────────────────────────┬──────────────────────────────────┤
│ Tiêu chí kỹ thuật        │ Nghiên cứu tiền nhiệm      │ Luận án Lê Thị Vĩnh Thanh (2023) │
├──────────────────────────┼────────────────────────────┼──────────────────────────────────┤
│ Cấu trúc hình học bao    │ MBR hoặc MBR+MBS kết hợp   │ Khối cầu tối thiểu MBS tinh chỉnh│
│ Không gian đặc trưng     │ Đơn lẻ (Màu sắc / Gabor)   │ Hỗn hợp 4 nhóm 242 chiều         │
│ Phân mảnh biên nút lá    │ Bỏ qua (gây sót kết quả)   │ Đồ thị cụm láng giềng NBGraphRST │
│ Tích hợp Ngữ nghĩa       │ CRF hoặc nhãn tĩnh đơn lẻ  │ Ontology OWL + SPARQL truy vấn   │
└──────────────────────────┴────────────────────────────┴──────────────────────────────────┘

3. Phát hiện bất ngờ nhất từ kết quả thực nghiệm là gì?

Kết quả bất ngờ nhất là khi số lượng lớp của tập dữ liệu tăng vọt từ 17 lớp (Oxford Flowers 17) lên 200 lớp (CUB-2011-200), độ chính xác của cấu trúc RS-Tree kết hợp NBGraphRST không bị suy giảm nghiêm trọng như các cấu trúc R-Tree truyền thống mà vẫn duy trì được diện tích dưới đường cong $AUC > 0,88$, chứng minh tính bền vững vượt trội của giải pháp hình học khối cầu trong không gian đa chiều.

4. Luận án có cung cấp giao thức tái lặp (Replication Protocol) không?

Luận án cung cấp đầy đủ và chi tiết các công thức toán học xác định tâm, bán kính, thuật toán thêm phần tử, thuật toán phân tách nút, thông số trích xuất 242 đặc trưng hình ảnh, cấu hình phần cứng (Intel Core i9/i7) và tham số môi trường phần mềm (.NET 4.8 C#, MATLAB 2015b), đảm bảo khả năng tái lập thực nghiệm 100% trên các tập dữ liệu công khai (COREL, Oxford Flowers, CUB, Visual Genome, MS-COCO).

5. Chương trình nghiên cứu 10 năm được vạch ra như thế nào?

Lộ trình phát triển dài hạn định hình 3 giai đoạn:

  • Giai đoạn 1 (1-3 năm): Hoàn thiện giải thuật RS-Tree phân tán trên nền tảng điện toán đám mây (Cloud Distributed RS-Tree) phục vụ dữ liệu hàng tỷ ảnh.
  • Giai đoạn 2 (4-6 năm): Tích hợp các mô hình ngôn ngữ - thị giác lớn (Vision-Language Models như CLIP, SAM) vào quá trình tự động sinh Ontology tri thức.
  • Giai đoạn 3 (7-10 năm): Mở rộng hệ thống thành nền tảng tìm kiếm đa phương thức 4D (Spatial-Temporal 3D Video & Contextual Knowledge Graphs) phục vụ robot tự hành và vũ trụ ảo (Metaverse).

Kết luận

Luận án tiến sĩ của tác giả Lê Thị Vĩnh Thanh đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập thành công cấu trúc dữ liệu RS-Tree: Ứng dụng khối cầu bao đóng tối thiểu (MBS) với tham số co ngót $k \ge 2$, loại bỏ không gian dư thừa và tối ưu hóa tốc độ duyệt cây đa chiều.
  2. Đề xuất giải thuật phân tách nút theo độ lệch sai biệt: Giảm thiểu độ chồng lấp không gian giữa các nút nhánh và nâng cao tính cân bằng của cây.
  3. Phát triển cấu trúc đồ thị cụm láng giềng NBGraphRST: Giải quyết triệt để bài toán phân mảnh vùng dữ liệu tại ranh giới các nút lá, gia tăng vượt bậc độ phủ và độ chính xác tìm kiếm.
  4. Xây dựng khung Đồ thị tri thức hình ảnh hoàn chỉnh: Chuẩn hóa dữ liệu ngữ cảnh Visual Genome thành Ontology OWL, thiết lập cơ chế truy vấn ngữ nghĩa tự động bằng SPARQL Protocol.
  5. Minh chứng thực nghiệm toàn diện trên 6 bộ dữ liệu chuẩn: Đạt các chỉ số MAP, AUC, Precision-Recall vượt trội so với các công trình công bố trong nước và quốc tế, khẳng định bước tiến vững chắc trong việc thu hẹp khoảng cách ngữ nghĩa cho các hệ thống tìm kiếm ảnh thế hệ mới.