Khai Thác Các Kỹ Thuật Khai Phá Mẫu Hiệu Quả Cho Bài Toán Tái Định Danh Người Không Giám Sát

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp khoa học máy tính khai thác các kỹ thuật khai phá mẫu hiệu quả cho bài toán tái định, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Tác giả: Nguyễn Tiến Hưng
• Người hướng dẫn: TS. Nguyễn Vinh Tiệp
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Khai Thác Kỹ Thuật Khai Phá Mẫu Hiệu Quả Trong Tái Định Danh Người Không Giám Sát
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Overview
• 1.2. Person Re-identification
• 1.3. Problem Definition
• 2. RELATED WORKS
• 2.1. Unsupervised representation learning
• 2.2. Deep neural networks
• 2.3. Loss Function
• 2.4. Consistent mining strategy
• 2.5. Adaptive mining strategy
• 2.6. Cluster Centroid Contrastive Loss
• 2.7. Memory Based Hard Mining Scheme
• 2.8. Dynamic Centroid Update Policy
• 2.9. Adaptive Positive Mining Instance Contrastive Loss
• 2.10. Mean Average Precision
• 2.11. Comparison with State-of-the-art Methods
• 2.12. Future Direction
• REFERENCES
• LIST OF FIGURES
• LIST OF TABLES

Tóm tắt

I. Tổng Quan Về Khai Thác Kỹ Thuật Khai Phá Mẫu Hiệu Quả

Bài toán tái định danh người không giám sát đang trở thành một thách thức lớn trong lĩnh vực thị giác máy tính. Việc nhận diện lại một người từ nhiều hình ảnh mà không cần dữ liệu gán nhãn là một nhiệm vụ phức tạp. Kỹ thuật khai thác mẫu hiệu quả có thể giúp cải thiện độ chính xác trong việc nhận diện. Nghiên cứu này sẽ khám phá các phương pháp hiện có và đề xuất các giải pháp mới nhằm nâng cao hiệu quả của quá trình tái định danh.

1.1. Khái Niệm Về Tái Định Danh Người Không Giám Sát

Tái định danh người không giám sát là quá trình nhận diện một cá nhân từ nhiều nguồn hình ảnh mà không cần dữ liệu gán nhãn. Điều này có ứng dụng quan trọng trong giám sát an ninh và quản lý đám đông.

1.2. Tầm Quan Trọng Của Khai Thác Dữ Liệu

Khai thác dữ liệu là một phần quan trọng trong việc phát triển các mô hình học không giám sát. Việc sử dụng các kỹ thuật khai thác mẫu hiệu quả có thể giúp cải thiện độ chính xác và độ tin cậy của các mô hình này.

II. Thách Thức Trong Tái Định Danh Người Không Giám Sát

Bài toán tái định danh người không giám sát gặp phải nhiều thách thức lớn. Các yếu tố như sự thay đổi về ánh sáng, góc nhìn và sự che khuất có thể làm giảm độ chính xác của các mô hình. Việc phát hiện và xử lý các vấn đề này là rất cần thiết để cải thiện hiệu suất của hệ thống.

2.1. Vấn Đề Về Ánh Sáng Và Góc Nhìn

Sự thay đổi về ánh sáng và góc nhìn có thể gây khó khăn trong việc nhận diện. Các mô hình cần được thiết kế để xử lý những biến đổi này một cách hiệu quả.

2.2. Sự Che Khuất Trong Môi Trường Thực Tế

Trong các tình huống đông đúc, sự che khuất có thể làm giảm khả năng nhận diện. Việc phát triển các phương pháp để xử lý tình huống này là rất quan trọng.

III. Phương Pháp Khai Thác Mẫu Hiệu Quả Trong Tái Định Danh

Nghiên cứu này sẽ trình bày các phương pháp khai thác mẫu hiệu quả cho bài toán tái định danh người không giám sát. Các phương pháp này bao gồm việc sử dụng các mô hình học sâu và các kỹ thuật khai thác thông tin để cải thiện độ chính xác.

3.1. Mô Hình Hóa Dữ Liệu Không Giám Sát

Mô hình hóa dữ liệu không giám sát là một trong những phương pháp chính trong nghiên cứu này. Việc áp dụng các kỹ thuật học sâu giúp cải thiện khả năng nhận diện.

3.2. Kỹ Thuật Khai Thác Thông Tin

Kỹ thuật khai thác thông tin giúp phát hiện các mẫu quan trọng trong dữ liệu. Điều này có thể giúp cải thiện độ chính xác của các mô hình tái định danh.

IV. Ứng Dụng Thực Tiễn Của Kỹ Thuật Khai Phá Mẫu

Các kỹ thuật khai thác mẫu hiệu quả có thể được áp dụng trong nhiều lĩnh vực khác nhau, từ giám sát an ninh đến quản lý đám đông. Việc áp dụng các phương pháp này có thể giúp nâng cao hiệu quả và độ chính xác trong việc nhận diện người.

4.1. Ứng Dụng Trong Giám Sát An Ninh

Kỹ thuật khai thác mẫu hiệu quả có thể được sử dụng để cải thiện hệ thống giám sát an ninh, giúp nhận diện nhanh chóng và chính xác các cá nhân trong không gian công cộng.

4.2. Ứng Dụng Trong Quản Lý Đám Đông

Trong quản lý đám đông, việc nhận diện người có thể giúp kiểm soát tình hình và đảm bảo an toàn cho các sự kiện lớn.

V. Kết Luận Về Tương Lai Của Tái Định Danh Người Không Giám Sát

Tương lai của bài toán tái định danh người không giám sát hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ học máy. Việc cải thiện các phương pháp khai thác mẫu sẽ giúp nâng cao độ chính xác và khả năng ứng dụng trong thực tế.

5.1. Xu Hướng Nghiên Cứu Trong Tương Lai

Các xu hướng nghiên cứu trong tương lai sẽ tập trung vào việc phát triển các mô hình học sâu và cải thiện khả năng nhận diện trong các điều kiện thực tế.

5.2. Tác Động Của Công Nghệ Mới

Công nghệ mới như trí tuệ nhân tạo và học sâu sẽ có tác động lớn đến việc phát triển các phương pháp tái định danh người không giám sát.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA THÀNH PHO HO CHÍ MINH TRUONG DAI HOC CONG NGHE THONG TIN KHOA KHOA HOC MAY TINH NGUYEN TIEN HUNG - 20520198 CAO VĂN HUNG - 20520193 NGƯỜI KHÔNG GIÁM SÁT EXPLOITING EFFICIENT PATTERN MINING TECHNIQUES FOR UNSUPERVISED PERSON RE- IDENTIFICATION CU NHÂN TAI NANG NGANH KHOA HỌC MAY TÍNH GIANG VIEN HUONG DAN TS. NGUYEN VINH TIEP TP. HO CHi MINH, NAM 2024 ĐẠI HỌC QUOC GIA THÀNH PHO HO CHÍ MINH TRUONG DAI HOC CONG NGHE THONG TIN KHOA KHOA HOC MAY TINH NGUYEN TIEN HUNG - 20520198 CAO VAN HUNG - 20520193 NGƯỜI KHÔNG GIÁM SÁT EXPLOITING EFFICIENT PATTERN MINING TECHNIQUES FOR UNSUPERVISED PERSON RE- IDENTIFICATION CU NHÂN TAI NĂNG NGANH KHOA HOC MAY TÍNH GIANG VIEN HUONG DAN TS. NGUYEN VINH TIEP TP.

HO CHÍ MINH, NAM 2024 DANH SÁCH HOI DONG BẢO VỆ KHÓA LUẬN Hội đồng cham khóa luận tốt nghiệp, thành lập theo Quyết định số. của Hiệu trưởng Trường Đại học Công nghệ Thông tin. — Ủy viên ĐẠI HỌC QUOC GIA TP. HO CHI MINH CONG HÒA XÃ HOI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP.

NHẬN XÉT KHÓA LUẬN TÓT NGHIỆP CUA CÁN BỘ HUONG DAN Tên khóa luân: KHAI THÁC CÁC KỸ THUẬT KHAI PHÁ MẪU HIỆU QUÁ CHO BÀI TOÁN TÁI ĐỊNH DANH NGƯỜI KHÔNG GIÁM SÁT Nhóm SV thực hiện: Cán bô hướng dẫn: Nguyễn Tiến Hưng 20520198 TS. Nguyễn Vinh Tiệp Cao Văn Hùng 20520193 Đánh gia Khóa luận 1. Vé cuôn báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản pham Một sô nhận xét vê hình thức cuôn báo cáo: 4. Về thái độ làm việc của sinh viên: Người nhận xét (Ký tên và ghi rõ họ tên) ĐẠI HỌC QUOC GIA TP.

HO CHÍ MINH CONG HÒA XÃ HOI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP. NHAN XÉT KHÓA LUẬN TOT NGHIỆP CUA CAN BO PHAN BIEN Tên khóa luân: KHAI THÁC CÁC KỸ THUẬT KHAI PHÁ MẪU HIỆU QUÁ CHO BÀI TOÁN TÁI ĐỊNH DANH NGƯỜI KHÔNG GIÁM SÁT Nhóm SV thực hiện: Cán bô phản biên: Nguyễn Tiến Hưng Z0sawW“=. sa Cao Văn Hùng 20520193 Đánh gia Khóa luận 5. Vệ cuôn bao cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản pham Một sô nhận xét về hình thức cuôn báo cáo: 8.

Vệ thái độ làm việc của sinh viên: Người nhận xét (Ký tên và ghi rõ họ tên) ĐẠI HỌC QUOC GIA TP. HO CHÍ MINH CONG HÒA XÃ HOI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN ĐĂNG KÝ DE TÀI KHÓA LUẬN TOT NGHIỆP Tên đề tài: Khai thác các kỹ thuật khai phá mẫu hiệu quả cho bài toán tái định danh người không giảm sát Tên đề tài tiếng Anh: Exploiting Efficient Pattern Mining Techniques for Unsupervised Person Re-identification Ngôn ngữ thực hiện: Tiếng Việt Cán bộ hướng dẫn: Tiến sĩ Nguyễn Vinh Tiệp Thời gian thực hiện: Từ ngày 09/2023 đến ngày 12/2023. Sinh viên thực hiện: Nguyễn Tiến Hưng - 20520198 Lớp: KHTN2020 Email: [e-mail] Điện thoại: [phone] Cao Văn Hùng - 20520193 Lớp: KHTN2020 Email: [e-mail] Điện thoại: [phone] Nội dung đề tài: (M6 ta chỉ tiết mục tiêu, phạm vi, đối tượng, phương pháp thực hiện, kết quả mong đợi của đề tài) Bài toán tái định danh người không giám sát là một trong những thách thức quan trọng trong lĩnh vực thị giác máy tính. Nó liên quan đến việc nhận diện lại một người từ một tập hợp các hình ảnh hoặc video mà không cần dùng dit liệu gan nhãn.

Điều này có ứng dụng quan trọng trong giám sát an ninh, quản lý đám đông và hệ thống thành phố thông minh. Bài toán tái định danh người không giám sat (Unsupervised Person-Re- identification) yêu cau tìm ra hình ảnh của một người trong nhiều camera khác nhau và trình bày kết quả dưới dang danh sách các đối tượng con người từ cơ sở dữ liệu, được sắp xếp theo mức độ tương đồng với hình ảnh cần nhận diện. Việc này trở nên quan trọng khi việc thu thập đữ liệu gan nhãn cho bài toán này trở nên khó khăn hoặc không khả thi. Phạm vi: - _ Tập trung vào tái định danh người mà không thay đổi quan áo.

- Tap trung vào các mô hình học không giám sat. Trong nghiên cứu này, các mục tiêu đưa ra là: - _ Nghiên cứu các kỹ thuật tiên tiến cho bai toán tái định danh người không giám sát. - Cai đặt, thử nghiệm các phương pháp trên các bộ dữ liệu chuẩn. Sau đó đánh giá kết quả nhận được.

- Dé xuất và đánh giá các phương pháp khai thác mẫu hiệu quả cho việc học không giám sát đối với bài toán tái định danh người. - _ Xây dựng ứng dụng minh hoa. Nội dung và phương pháp nghiên cứu: - - Nội dung 1: Khảo sát tong quan về các hướng tiếp cận cho bài toán tái định danh người dựa trên học không giám sát. o Tìm hiểu tổng quan các hướng tiếp cận chính cho bài toán hiện có.

o Tìm hiểu tổng quan các bộ dit liệu đánh giá chuẩn hiện có. - _ Nội dung 2: Cài đặt, thử nghiệm các phương pháp trên các bộ dit liệu chuẩn. Sau đó đánh giá kết quả nhận được o Thực hiện việc cai đặt các phương pháp và thuật toán đã được nghiên cứu trong phan 1 trên các bộ dữ liệu chuẩn. o_ Tiến hành đánh giá kết quả để xem các phương pháp này hoạt động như thế nào trong ngữ cảnh của bai toán học không giám sat tái định danh người.

- Nội dung 3: Đề xuất và đánh giá phương pháp khai thác mẫu hiệu quả cho việc học không giám sát đối với bài toán tái định danh người o_ Đề xuất phương pháp cải tiến dựa trên kết quả khảo sát và các van đề chưa giải quyết được ở Nội dung 1 và 2. - _ Nội dung 4: Xây dựng ứng dung minh hoa. o_ Thiết kế giao diện và xây dựng hệ thống tái định danh người nền tảng web Kết quả dự kiến: Kết quả khảo sát tông quan về các hướng nghiên cứu của học không giám sát tái định danh người. Tài liệu mô tả về các bộ đữ liệu đánh giá hiện có cho bài toán tái định danh người.

Tài liệu mô tả chỉ tiết về phương pháp được đề xuất và kết quả đánh giá, so sánh giữa phương pháp đề xuất và các phương pháp liên quan. Kế hoạch thực hiện: (Mô tả tóm tắt kế hoạch làm việc và phân công công việc cho từng sinh viên tham gia) Tuần 1-2: Tiến hành nội dung 1 - Khảo sát tổng quan về bài toán và các hướng tiếp cận chung của bài toán học không giám sát cho tái định danh người. Tuần 3-4: Tiến hành nội dung 2 - Cài đặt, thử nghiệm các phương pháp trên các bộ đữ liệu chuẩn. Sau đó đánh giá kết quả nhận được.

Tuần 5-8: Tiến hành nội dung 3 - Đề xuất và đánh giá phương pháp khai thác mẫu hiệu quả cho việc học không giám sát đối với bài toán tái định danh người. Tuần 9-12: Tiến hành nội dung 4 - Xây dựng ứng dụng minh hoạ. Phân công công việc: Cao Văn Hùng: khảo sát các nghiên cứu liên quan, chạy thực nghiệm, viết báo cáo. Nguyễn Tiến Hưng: khảo sát các nghiên cứu liên quan, chạy thực nghiệm, viết báo cáo, xây dựng ứng dụng minh họa.

Xác nhận của CBHD TP. năm 2023 (Ký tên và ghi rõ họ tên) Sinh viên (Ký tên và ghi rõ họ tên) ACKNOWLEDGEMENTS This thesis was completed successfully thanks to a lot of help and support from many people. We’re really thankful for their helpful feedback. We want to start by thanking our supervisor, Dr.

Nguyen Vinh Tiep, for his great guidance and help throughout this research. His advice was really important in helping us do our research and finish this thesis. We also want to say a big thank you to the Dean and all the teachers in the Computer Science Department at the University of Information Technology. They supported us a lot and taught us everything we needed to know to complete this thesis.

We’re also thankful to the Multimedia Laboratory (MMLab-UIT) for giving us a good place to do our research and for the advanced equipment they provided. Also, a special thanks to the researchers at MMLab for their useful feedback and questions, which really helped make our research better. They helped us find and fix mistakes, which made this thesis better. Contents Abstract 1 Introduction 1.

rr), eS rr 1. ee 11 2 Related Works 13 2.1 Unsupervised representation learning). Deep neural networks 24 Loss Functon|. Ặ Q Q HQ ee MHaaaaa ¬ 2.1 Consistent mining sfrateøy|.2 Adaptive mining stratesy|.4 Cluster Centroid ContrasiveLossl.15 Memory Based Hard Mining Schemel.1 Dynamic Centroid Update Pollcy|.2 _ Adaptive Positive Mining Instance Contrastive Loss| .2 Mean Average Preclsion.5 Comparison with State-of-the-art Methods|l.2 Future Direction 52 References 54 List of Figures 1.

A common flow chart of person ReID system. Datasets are collected from multi-camera systems for training and testing. The training phase involves learning person feature representations. During testing, the system re- ceives a query to locate a matching person in gallery images, resulting in a ranked list of potential matches.2 Examples of some person RelD challenges.

Each pair of images shows the same person except (g).1 Illustration of triplet loss given one positive and one negative per anchor. (Image source: Schroff etal.2 Comparison between triplet and hard instance contrastive loss} .3 Illustration of feature alignment approach for unsupervised domain adap- tation. Mid-level attribute features are aligned between source and target domains in a joint learning pipeline. Ja, represents the attribute align- ment loss between the source attributes and the target attributes.

Source PJP we ee. 19 traction and clustering from unlabeled target data to generate pseudo- labels. Model training using the unlabeled data along with these 2.5 Hard instance contrastive loss compares input sample with hard positive that belong to the same cluster and hard negative instances from other clusters. Visualization From HHCL [I0Ì|.1 Hybrid Contrast Learning Framework [10].

1) Initialization using a clus- tering algorithm to create pseudo labels and initialize memory banks. 2) Forward propagation to calculate cluster and hard instance contrastive losses. 3) Backpropagation to update the encoder model. 4) Updating the instance and cluster centroid memory banks}.3_ Cluster-level contrastive loss|.4 Memory Base HardMiningl|.5 Overview of our method.

The ClusterNCE compute contrastive loss in cluster level with dynamic momentum update. In the Instance-level con- trastive loss, we apply adaptive positive mining. In this context, x € X denotes the training dataset, g represents the query instance’s feature vec- tor, and c¿ signifies the k-th cluster feature vector, with feature vectors of the same color belonging to the same cluster. Additionally, i; represents the j-thinstance memory.6 Different ways to assign weights of cluster centroid (J9])|.7 Person RelD datasets exhibit varying levels of intra-class differences.

(a) For large intra-class variations caused by factors like occlusion, lighting changes, and different viewpoints, mining the hardest positive pair can negatively impact metric learning. In these cases, opting for the least- hard pair 1s more beneficial.