Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực thị giác máy tính, bài toán tái định danh người (Person Re-identification - ReID) đóng vai trò then chốt trong việc truy vết và xác định danh tính của một cá nhân qua mạng lưới nhiều góc camera giám sát không trùng lặp tầm nhìn. Xuất phát từ thực tiễn gia tăng tỷ lệ tội phạm toàn cầu và nhu cầu cấp thiết về việc nâng cao an ninh trật tự tại các khu vực công cộng đông đúc như sân bay, trung tâm thương mại, nhà ga và đường phố đô thị, việc triển khai các hệ thống giám sát diện rộng tích hợp mô hình ReID tự động trở thành giải pháp tối ưu hóa năng lực điều tra và phòng ngừa rủi ro an ninh.

Trong hệ thống thị giác máy tính phục vụ giám sát, sau khi các mô-đun phát hiện người (person detection) định vị và cắt các khung hình chứa đối tượng (bounding box), mô-đun ReID sẽ tiến hành trích xuất đặc trưng và so khớp vector biểu diễn của ảnh truy vấn (query) với cơ sở dữ liệu ảnh lưu trữ (gallery) để tạo ra danh sách xếp hạng các kết quả tương đồng nhất. Mặc dù các phương pháp học có giám sát truyền thống đã đạt hiệu năng cao nhờ các tập dữ liệu được gán nhãn chi tiết, việc thu thập và gán nhãn thủ công hàng vạn hình ảnh từ hệ thống đa camera trong môi trường thực tế đòi hỏi chi phí nhân công và thời gian vô cùng lớn, gây cản trở nghiêm trọng đến khả năng mở rộng hệ thống. Do đó, hướng tiếp cận tái định danh người không giám sát (Unsupervised Person Re-ID) trở thành trọng tâm nghiên cứu nhằm xây dựng mô hình có khả năng tự học biểu diễn phân biệt từ dữ liệu hoàn toàn không gắn nhãn.

Khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

  1. Nghiên cứu, khảo sát tổng quan các kỹ thuật tiên tiến và các hướng tiếp cận chính cho bài toán tái định danh người dựa trên học không giám sát, cùng các bộ dữ liệu đánh giá chuẩn hiện có.
  2. Cài đặt, chạy thử nghiệm các phương pháp học không giám sát trên các bộ dữ liệu chuẩn và tiến hành phân tích, đánh giá hiệu năng trong ngữ cảnh học không giám sát.
  3. Đề xuất và đánh giá phương pháp cải tiến khai thác mẫu hiệu quả (bao gồm việc tối ưu hóa trọng số mẫu và cập nhật biểu diễn cụm) nhằm nâng cao độ chính xác và tính ổn định của mô hình.
  4. Xây dựng ứng dụng minh họa hoàn chỉnh trên nền tảng web phục vụ việc trực quan hóa hệ thống tái định danh người.

Đối tượng và phạm vi nghiên cứu của đề tài được thiết lập chặt chẽ:

  • Đối tượng nghiên cứu: Bài toán tái định danh người dựa trên hình ảnh tĩnh (Image-based Person ReID) trong điều kiện học không giám sát thuần túy (Pure Unsupervised Learning - USL).
  • Phạm vi giả định và giới hạn: Hệ thống tập trung xử lý các ảnh cắt sẵn chứa đối tượng dạng hộp bao (bounding boxes) do thuật toán phát hiện người cung cấp; nghiên cứu chỉ tập trung vào các đặc trưng ngoại hình nhất quán và loại trừ kịch bản đối tượng thay đổi trang phục (without changing clothes). Mô hình giải quyết các thách thức thị giác thực tế bao gồm: biến đổi góc nhìn camera (viewpoint variation), biến đổi tư thế (pose variations), biến đổi độ chiếu sáng (illumination changes), che khuất cục bộ (partial occlusion), phát hiện người thiếu chính xác, độ phân giải thấp (low resolution), độ tương đồng trang phục giữa các cá nhân khác nhau và khoảng cách miền dữ liệu (domain gap).
  • Phạm vi thời gian thực hiện: Đề tài được triển khai từ tháng 09/2023 đến tháng 12/2023 và hoàn thành bảo vệ năm 2024 tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống phương pháp luận dựa trên các lý thuyết cốt lõi của học biểu diễn không giám sát (Unsupervised Representation Learning), học mêtric sâu (Deep Metric Learning) và học tương phản (Contrastive Learning):

Khung lý thuyết và mô hình nền tảng

  • Học tương phản và hàm mất mát không tham số: Nghiên cứu sử dụng nguyên lý học phân biệt cá thể (instance discrimination) với hàm mất mát InfoNCE chuẩn: $$\mathcal{L}{q} = \mathbb{E} \left[ -\log \frac{\exp(q \cdot k^{+} / \tau)}{\sum{i} \exp(q \cdot k^{i} / \tau)} \right]$$ Trong đó $q$ là đặc trưng truy vấn đã mã hóa, $k^{+}$ là đặc trưng dương cùng nhãn, và $\tau$ là siêu tham số nhiệt độ điều chỉnh thang đo độ tương đồng.
  • Hàm mất mát Triplet và Hard-Batch Triplet Loss: Lý thuyết tối ưu hóa không gian đặc trưng bằng cách thu hẹp khoảng cách giữa cặp mẫu neo - mẫu dương (anchor - positive) và kéo giãn khoảng cách giữa cặp mẫu neo - mẫu âm (anchor - negative) theo công thức Batch-Hard Triplet: $$\mathcal{L}{TripletHard} = \max{p} D(x_{a}, x_{p}) - \min_{n} D(x_{a}, x_{n}) + m$$ với $D(\cdot, \cdot)$ là khoảng cách Euclid và $m$ là khoảng cách lề (margin).
  • Mạng nơ-ron tích chập trích xuất đặc trưng (Backbones): Khóa luận khảo sát mạng ResNet-50 (tận dụng kết nối tắt skip-connections giải quyết triệt tiêu đạo hàm, được tiền huấn luyện trên ImageNet) và mạng siêu nhẹ OSNet (Omni-Scale Network, dung lượng 2.2 triệu tham số, ứng dụng tích chập phân tách theo chiều sâu depthwise separable convolutions để trích xuất đặc trưng đa quy mô).
  • Khung mô hình cơ sở HHCL (Hard-sample Guided Hybrid Contrast Learning): Mô hình kết hợp đồng thời mất mát tương phản mức cụm (Cluster Centroid Contrastive Loss - CCCL) và mất mát tương phản cá thể khó (Hard Instance Contrastive Loss - HICL) thông qua hàm mất mát tổng thể: $$\mathcal{L}{ReID} = \mu \mathcal{L}{cls} + (1 - \mu) \mathcal{L}_{ins}$$ Trong đó $\mu$ là hệ số cân bằng giữa hai thành phần mất mát.
Khái niệm / Mô hình Bản chất kỹ thuật Vai trò trong nghiên cứu
DBSCAN Thuật toán phân cụm dựa trên mật độ không gian Tạo nhãn giả ngoại tuyến ($Y = {y_1, \dots, y_n}$) cho dữ liệu huấn luyện không gán nhãn
ResNet-50 / OSNet Mạng nơ-ron tích chập sâu / Mạng nơ-ron đa quy mô siêu nhẹ Bộ trích xuất đặc trưng hình ảnh $\phi(\cdot; \theta)$ ánh xạ ảnh vào không gian nhúng $d$ chiều
HHCL Baseline Học tương phản lai ghép kết hợp mức cụm và mức cá thể khó Khung mô hình cơ sở phục vụ đánh giá và cải tiến thuật toán
DCUP Dynamic Centroid Update Policy Cơ chế đề xuất nhằm cập nhật động lượng tối ưu hóa vector tâm cụm
Adaptive Positive Mining Khai phá mẫu dương thích ứng cân bằng mẫu khó và mẫu dễ Cơ chế đề xuất nhằm khắc phục hiện tượng nhiễu nhãn và quá khớp mẫu khó

Phương pháp nghiên cứu thực nghiệm

Quy trình thực nghiệm được triển khai theo quy trình lặp hai giai đoạn (dual-phase iterative procedure):

  1. Giai đoạn tạo nhãn giả: Mô hình trích xuất vector đặc trưng của toàn bộ tập dữ liệu huấn luyện không nhãn $X$, sau đó áp dụng thuật toán phân cụm DBSCAN để gán nhãn giả $Y \in {1, \dots, C}$.
  2. Giai đoạn huấn luyện và cập nhật bộ nhớ: Khởi tạo từ điển bộ nhớ mức cụm $M_{cls} = {c^1, \dots, c^C}$ và bộ nhớ mức cá thể $M_{ins}$ chứa $P \times C$ đặc trưng. Trong mỗi mini-batch kích thước $P \times K$, hệ thống tính toán mất mát tương phản mức cụm và mức cá thể khó, lan truyền ngược cập nhật trọng số mạng và cập nhật bộ nhớ theo cơ chế động lượng: $$c^i \leftarrow \alpha c^i + (1 - \alpha)\bar{f}^i$$ với $\bar{f}^i$ là trung bình đặc trưng của các mẫu thuộc lớp thứ $i$ trong mini-batch.

Nguồn dữ liệu thực nghiệm

Đề tài thực hiện huấn luyện và đánh giá trên hai bộ dữ liệu chuẩn quy mô lớn:

  • Market-1501: Gồm 1.501 định danh người được thu thập từ 6 góc camera, chứa 32.668 hộp bao người phát hiện bằng thuật toán DPM (Deformable Part Models). Tập huấn luyện gồm 750 định danh, tập kiểm thử gồm 751 định danh với 3.368 ảnh truy vấn (query) và 19.732 ảnh trong tập tham chiếu (gallery).
  • MSMT17: Bộ dữ liệu đa bối cảnh, đa thời gian thu nhận từ 180 giờ video qua 15 camera (12 camera ngoài trời và 3 camera trong nhà) qua 12 khung thời gian khác nhau, bao gồm 4.101 định danh và 126.441 hộp bao đối tượng với các điều kiện chiếu sáng phức tạp.

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 thiết lập bức tranh tổng thể về vai trò của hệ thống giám sát an ninh thông minh và định nghĩa kỹ thuật của bài toán ReID dạng ảnh. Tác giả phân tích chi tiết 10 thách thức then chốt trong môi trường thực tế (biến đổi ngoại hình, góc nhìn, che khuất, ánh sáng, khoảng cách miền giữa các tập dữ liệu, tư thế, độ phân giải thấp, tương đồng trang phục, quy mô tập gallery và chi phí gán nhãn). Trọng tâm của chương chỉ ra hai động lực nghiên cứu bắt nguồn từ các điểm nghẽn của chiến lược khai thác mẫu khó độc quyền (exclusive hard feature mining):

  • Nguy cơ chọn phải mẫu nhiễu (Risk of Noisy Sample Selection): Do nhãn giả từ thuật toán phân cụm luôn tồn tại sai số, việc tập trung tuyệt đối vào các mẫu khó nhất dễ dẫn đến việc chọn nhầm các mẫu nhiễu ngoại lai, làm sai lệch phân phối đặc trưng.
  • Sự suy giảm tác động của mẫu khó (Diminished Impact of Hard Instances): Khi quá trình huấn luyện tiến triển, mô hình có xu hướng quá khớp (over-fitting) với các mẫu khó, làm giảm khả năng tổng quát hóa trên dữ liệu mới. Từ đó, chương 1 xác định các đóng góp chính của khóa luận gồm việc đề xuất chính sách cập nhật tâm cụm động (DCUP) và hàm mất mát tương phản cá thể khai thác mẫu dương thích ứng (Adaptive Positive Mining Instance Contrastive Loss).

Chương 2: Các công trình liên quan (Related Works)

Chương 2 tổng thuật toàn diện các công trình nghiên cứu thuộc các nhóm chủ đề:

  • Học biểu diễn không giám sát: Khảo sát các kỹ thuật phân biệt cá thể và học tương phản (MoCoV2, InfoNCE).
  • Bộ dữ liệu và mạng nơ-ron sâu: Khảo sát cấu trúc tập dữ liệu Market-1501, MSMT17 và phân tích ưu - nhược điểm của kiến trúc ResNet-50 và OSNet (2.2 triệu tham số, tích chập phân tách theo chiều sâu).
  • Các hàm mất mát mêtric: Cơ sở toán học của Triplet Loss, Batch-Hard Triplet Loss và InfoNCE.
  • Phân loại các phương pháp ReID không giám sát:
    1. Thích nghi miền không giám sát (Unsupervised Domain Adaptation - UDA): Sử dụng dữ liệu nguồn có nhãn để chuyển giao tri thức sang miền đích không nhãn thông qua chuyển đổi phong cách ảnh bằng GAN (CycleGAN, PTGAN, SPGAN), học đối kháng (Adversarial Learning), học mêtric và phân cụm tạo nhãn giả.
    2. Học không giám sát thuần túy (Fully Unsupervised ReID - USL): Trực tiếp học đặc trưng trên tập dữ liệu đích không nhãn bằng cách kết hợp thuật toán phân cụm (DBSCAN, K-means) với học tương phản, tiêu biểu như SpCL (học theo nhịp độ tự điều chỉnh), CAP (giảm phương sai phong cách camera), PPLR (khai thác thông tin từng phần), ISE (mở rộng mẫu ẩn), Cluster Contrast (dùng tâm cụm làm đại diện) và ICE (mã hóa tương phản liên cá thể).
  • Chiến lược khai phá mẫu (Sampling Mining Strategy): So sánh giữa chiến lược khai phá mẫu nhất quán (Consistent mining strategy: semi-hard, moderate, easy positive) và chiến lược khai phá mẫu thích ứng (Adaptive mining strategy: Adaptive SP loss, smart/optimal hard negatives).

Chương 3: Phương pháp đề xuất (Methodology)

Chương 3 trình bày chi tiết cấu trúc toán học của mô hình đề xuất xây dựng trên nền tảng khung HHCL:

  • Mất mát tương phản tâm cụm (Cluster Centroid Contrastive Loss - CCCL): Sử dụng từ điển bộ nhớ $M_{cls} = {c^1, c^2, \dots, c^C}$ lưu trữ duy nhất một vector đại diện cho mỗi cụm, tính mất mát giữa truy vấn $q$ và tâm cụm: $$\mathcal{L}{cls} = \mathbb{E} \left[ -\log \frac{\exp(\langle q \cdot c^+ \rangle / \tau_c)}{\sum{i=1}^C \exp(\langle q \cdot c^i \rangle / \tau_c)} \right]$$
  • Mất mát tương phản cá thể khó (Hard Instance Contrastive Loss - HICL): Sử dụng từ điển bộ nhớ $M_{ins}$ chứa $P \times C$ đặc trưng để khai thác cặp dương khó nhất (độ tương đồng cosine thấp nhất với $q$ trong cùng cụm) và $C-1$ cặp âm khó nhất (độ tương đồng cosine cao nhất với $q$ từ các cụm khác): $$\mathcal{L}{ins} = \mathbb{E} \left[ -\log \frac{\exp(\langle q \cdot z{hard}^+ \rangle / \tau_{ins})}{\sum_{i=1}^C \exp(\langle q \cdot z_{hard}^i \rangle / \tau_{ins})} \right]$$
  • Phân tích hạn chế của HHCL và giải pháp cải tiến: Tác giả chỉ ra rằng việc giả định mẫu khó luôn mang nhiều thông tin là không tối ưu khi cụm chứa biến thiên nội lớp lớn hoặc có mẫu nhiễu. Khóa luận tích hợp hai cải tiến kỹ thuật:
    1. Chính sách cập nhật tâm cụm động (Dynamic Centroid Update Policy - DCUP): Tối ưu hóa vector biểu diễn cụm một cách thích ứng, thay thế cơ chế cập nhật cố định để thích nghi tốt hơn với sự thay đổi của cụm qua các epoch.
    2. Hàm mất mát tương phản cá thể khai thác mẫu dương thích ứng (Adaptive Positive Mining Instance Contrastive Loss): Cân bằng động giữa mẫu dương khó nhất (hardest positive) và mẫu dương ít khó nhất (least-hard/easy positive) tùy thuộc vào mức độ biến thiên nội lớp của cụm, triệt tiêu tác động tiêu cực của nhiễu nhãn.
  • Thuật toán tổng thể (Algorithm 1): Mô tả chi tiết quy trình huấn luyện lặp qua $N$ epoch và $B$ mini-batch ($P \times K$ mẫu), bao gồm trích xuất đặc trưng, phân cụm DBSCAN, tính toán hàm mất mát kết hợp $\mathcal{L}{ReID}$ và cập nhật bộ nhớ $M{cls}$, $M_{ins}$.

Chương 4: Thực nghiệm và Đánh giá (Experiments)

Chương 4 mô tả chi tiết thiết lập thực nghiệm, các phân tích triệt tiêu và kết quả so chuẩn hiệu năng:

  • Đánh giá hiệu năng dựa trên hai chỉ số chuẩn: Độ chính xác trung bình (Mean Average Precision - mAP) và Độ chính xác tích lũy theo bậc (Cumulative Matching Characteristics - CMC tại Rank-1, Rank-5, Rank-10).
  • Nghiên cứu triệt tiêu (Ablation Studies - Bảng 4.2): Kiểm chứng định lượng sự đóng góp độc lập và kết hợp của chính sách DCUP và cơ chế Adaptive Positive Mining Loss so với mô hình cơ sở HHCL.
  • So sánh với các phương pháp tiên tiến (Comparison with State-of-the-art Methods - Bảng 4.3): Đối chuẩn mô hình đề xuất với các công trình USL và UDA hàng đầu trên hai bộ dữ liệu Market-1501 và MSMT17.

Chương 5: Thảo luận và Kết luận (Discussions and Conclusion)

Chương 5 đúc kết các phát hiện quan trọng của nghiên cứu, khẳng định việc cân bằng giữa mẫu khó và mẫu dễ cùng việc cập nhật tâm cụm động giúp mạng nơ-ron học biểu diễn đặc trưng ổn định hơn khi không có dữ liệu gán nhãn. Chương cũng bàn luận về tiềm năng ứng dụng thực tế và đề xuất các hướng nghiên cứu mở rộng.

Kết quả và đóng góp

Kết quả thực nghiệm chính

Các kết quả phân tích triệt tiêu (Ablation studies) và so sánh đối chuẩn trạng thái nghệ thuật (State-of-the-art) trên hai tập dữ liệu Market-1501 và MSMT17 chứng minh:

  • Việc áp dụng chính sách cập nhật tâm cụm động (DCUP) giúp vector đại diện cụm bám sát phân phối thực tế của dữ liệu, giảm thiểu hiện tượng lệch tâm do mẫu phân cụm sai.
  • Cơ chế Adaptive Positive Mining Instance Contrastive Loss chứng minh ưu thế vượt trội so với việc chỉ khai thác mẫu khó cố định, giúp mô hình duy trì độ ổn định cao trong suốt các epoch huấn luyện cuối và nâng cao các chỉ số Rank-1, mAP trên cả hai tập kiểm thử chuẩn.
Thành phần kỹ thuật Cơ chế thực hiện Đóng góp cải tiến so với nghiên cứu trước
Cập nhật tâm cụm (DCUP) Tối ưu hóa động vector biểu diễn cụm trong quá trình học tương phản Thay thế cơ chế cập nhật tĩnh/trung bình cố định, tăng khả năng thích ứng của biểu diễn cụm
Khai phá mẫu dương (Adaptive Mining) Kết hợp thích ứng giữa mẫu khó (hardest) và mẫu ít khó (least-hard/easy) Loại bỏ việc phụ thuộc duy nhất vào mẫu khó, ngăn ngừa quá khớp và triệt tiêu ảnh hưởng của mẫu nhiễu
Ứng dụng minh họa Giao diện web tái định danh người đa camera Trực quan hóa quy trình truy vấn và hiển thị danh sách xếp hạng kết quả tương đồng

Đóng góp khoa học do tác giả tự nêu

  1. Chỉ ra hạn chế của khai phá mẫu khó cố định: Nhận diện và thực nghiệm chứng minh rủi ro của việc khai thác mẫu khó độc quyền (exclusive hard mining) trong môi trường học không giám sát, đặc biệt là nguy cơ chọn phải mẫu nhiễu và sự suy giảm hiệu quả huấn luyện ở các giai đoạn sau.
  2. Đề xuất chính sách DCUP: Triển khai phương pháp Dynamic Centroid Update Policy nhằm tối ưu hóa các vector biểu diễn cụm trong học tương phản mức cụm.
  3. Đề xuất hàm mất mát tương phản cá thể thích ứng: Xây dựng cơ chế Adaptive Positive Mining Instance Contrastive Loss cho phép dung hòa giữa các mẫu khó và mẫu dễ, tạo ra quy trình học biểu diễn mêtric cân bằng và có khả năng tổng quát hóa cao.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được văn bản đề cập

  • Giới hạn về đặc trưng ngoại hình cố định: Mô hình chỉ tập trung vào việc nhận dạng dựa trên đặc trưng ngoại hình nhất quán, hoàn toàn chưa giải quyết được kịch bản người thay đổi trang phục hoặc phụ kiện qua thời gian dài (clothing changes).
  • Giới hạn dữ liệu đầu vào: Nghiên cứu chỉ tập trung xử lý trên ảnh tĩnh đã được cắt sẵn dạng hộp bao (cropped bounding boxes), phụ thuộc vào thuật toán phát hiện người phía trước và chưa tích hợp bộ theo vết chuỗi liên tục (human tracker / tracklets) trong các luồng video động.
  • Độ nhạy phân cụm ở giai đoạn đầu: Trong các epoch khởi tạo, chất lượng nhãn giả từ thuật toán DBSCAN vẫn chịu ảnh hưởng nhất định bởi sự phân tán đặc trưng ban đầu của mô hình tiền huấn luyện.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình ReID để xử lý bài toán nhận dạng người khi có sự thay đổi trang phục (cloth-changing person ReID).
  • Tích hợp mô-đun theo vết đối tượng trên video (video-based ReID) nhằm khai thác thông tin không gian - thời gian và chuỗi hành trình (tracklets).
  • Tối ưu hóa cấu trúc mạng nơ-ron (như OSNet) nhằm giảm thiểu chi phí tính toán, hướng tới việc triển khai mô hình trên các thiết bị giám sát biên (edge devices) thời gian thực.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo học thuật và kỹ thuật thực tiễn cho các nhóm đối tượng:

  • Sinh viên, học viên cao học ngành Khoa học Máy tính, Trí tuệ Nhân tạo, Thị giác Máy tính: Tài liệu cung cấp hệ thống lý thuyết chuẩn mực và cập nhật về học biểu diễn không giám sát, học tương phản (Contrastive Learning, InfoNCE), học mêtric sâu và kỹ thuật phân cụm nhãn giả.
  • Kỹ sư và nhà nghiên cứu phát triển hệ thống giám sát an ninh: Cung cấp giải pháp kỹ thuật cụ thể để xây dựng hệ thống truy vết đối tượng đa camera mà không cần đầu tư chi phí gán nhãn dữ liệu lớn.

Các phần nội dung có giá trị tham khảo chuyên sâu nhất:

  • Chương 2 (Related Works): Bức tranh tổng quan, phân loại rành mạch giữa nhánh Thích nghi miền không giám sát (UDA) và Học không giám sát thuần túy (USL), cùng phân tích chi tiết về các hàm mất mát Triplet, InfoNCE.
  • Chương 3 (Methodology): Công thức toán học tường minh của khung lai ghép HHCL kết hợp mức cụm và mức cá thể, thuật toán huấn luyện chi tiết (Algorithm 1), cùng cơ chế triển khai DCUP và Adaptive Positive Mining Loss.
  • Chương 4 (Experiments): Quy trình thiết lập thực nghiệm chuẩn trên hai bộ dữ liệu kinh điển Market-1501 và MSMT17, phương pháp thiết kế nghiên cứu triệt tiêu (Ablation Study) để kiểm chứng từng thành phần thuật toán.

Câu hỏi thường gặp

1. Phạm vi nghiên cứu của khóa luận có áp dụng cho trường hợp đối tượng thay đổi quần áo không?
Không. Theo công bố giới hạn phạm vi nghiên cứu của tác giả tại Chương 1, mô hình tập trung hoàn toàn vào các khía cạnh ngoại hình nhất quán của một cá nhân và loại trừ các kịch bản liên quan đến việc thay đổi trang phục (excluding scenarios involving changes in clothes).

2. Hai nhược điểm cốt lõi của chiến lược khai phá mẫu khó độc quyền (exclusive hard mining) mà tác giả chỉ ra là gì?
Tác giả xác định hai nhược điểm chính: (1) Nguy cơ chọn phải mẫu nhiễu (Risk of Noisy Sample Selection): Do nhãn giả phân cụm không hoàn hảo, việc chỉ chọn mẫu khó nhất dễ gom phải các mẫu bị gán nhãn sai hoặc mẫu ngoại lai; (2) Sự suy giảm tác động của mẫu khó (Diminished Impact of Hard Instances): Mô hình có nguy cơ bị quá khớp vào các mẫu khó ở các giai đoạn huấn luyện sau, làm giảm khả năng khái quát hóa trên dữ liệu thực tế.

3. Khung mô hình cơ sở HHCL kết hợp những thành phần hàm mất mát nào?
Mô hình HHCL (Hard-sample Guided Hybrid Contrast Learning) kết hợp hai thành phần: Mất mát tương phản mức tâm cụm ($L_{cls}$ - Cluster Centroid Contrastive Loss) nhằm ổn định quá trình cập nhật mạng và Mất mát tương phản mức cá thể khó ($L_{ins}$ - Hard Instance Contrastive Loss) nhằm tăng cường năng lực phân biệt đặc trưng, liên kết với nhau qua hệ số cân bằng $\mu$ theo công thức: $\mathcal{L}{ReID} = \mu \mathcal{L}{cls} + (1 - \mu) \mathcal{L}_{ins}$.

4. Hai kỹ thuật đóng góp chính được đề xuất trong khóa luận hoạt động như thế nào?
Hai kỹ thuật gồm: (1) Chính sách cập nhật tâm cụm động (Dynamic Centroid Update Policy - DCUP): Tối ưu hóa vector biểu diễn cụm một cách thích ứng trong quá trình học tương phản thay vì cập nhật cố định; (2) Hàm mất mát tương phản cá thể khai thác mẫu dương thích ứng (Adaptive Positive Mining Instance Contrastive Loss): Tự động điều chỉnh tỷ trọng và cân bằng giữa mẫu khó nhất và mẫu ít khó/dễ nhất dựa trên độ biến thiên nội lớp của từng cụm.

5. Hai bộ dữ liệu thực nghiệm Market-1501 và MSMT17 có quy mô như thế nào?
Bộ dữ liệu Market-1501 gồm 1.501 định danh, 32.668 ảnh bounding boxes từ 6 góc camera (chia 750 định danh huấn luyện, 751 định danh kiểm thử với 3.368 ảnh query và 19.732 ảnh gallery). Bộ dữ liệu MSMT17 có quy mô lớn hơn với 4.101 định danh, 126.441 bounding boxes thu nhận từ 180 giờ video qua 15 camera (12 ngoài trời, 3 trong nhà) trải dài qua 12 khung thời gian khác nhau.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Tiến Hưng và Cao Văn Hùng đã giải quyết thành công bài toán tái định danh người không giám sát thuần túy thông qua việc khắc phục các hạn chế cố hữu của chiến lược khai thác mẫu khó truyền thống. Bằng việc đề xuất chính sách cập nhật tâm cụm động (DCUP) cùng hàm mất mát tương phản cá thể khai thác mẫu dương thích ứng, nghiên cứu đã thiết lập một cơ chế huấn luyện ổn định và nâng cao năng lực phân biệt đặc trưng từ dữ liệu không gán nhãn. Các thử nghiệm nghiêm ngặt trên hai tập dữ liệu chuẩn Market-1501 và MSMT17 đã kiểm chứng tính hiệu quả của phương pháp đề xuất, đóng góp một giải pháp học biểu diễn có giá trị khoa học và khả năng ứng dụng thực tiễn cao cho các hệ thống giám sát an ninh thông minh.