Bối cảnh và vấn đề nghiên cứu

Sự phát triển của công nghệ và các nền tảng mạng xã hội dẫn đến sự gia tăng nhanh chóng của dữ liệu video số. Thực trạng này đặt ra thách thức lớn trong việc lưu trữ, quản lý nội dung và xây dựng công cụ tìm kiếm hiệu quả trong các lĩnh vực như giám sát an ninh và quản trị truyền thông. Bài toán tóm tắt video (Video Summarization) được nghiên cứu nhằm tạo ra các bản video rút gọn (thường có dung lượng hoặc thời lượng chiếm khoảng 15% so với video gốc) nhưng vẫn lưu giữ đầy đủ các nội dung và thông điệp cốt lõi.

Nhằm thúc đẩy nghiên cứu trong lĩnh vực này, cuộc thi TRECVID Video Summarization (VSUM) 2021 đã đặt ra bài toán tóm tắt những sự kiện chính trong cuộc đời của các nhân vật cụ thể trong loạt phim truyền hình BBC EastEnders TV. Đây là bài toán phức tạp hơn so với tóm tắt video truyền thống, bởi các sự kiện quan trọng trong cuộc đời (như sự ra đời của một đứa trẻ, một vụ ly hôn, sự mất đi của người thân) có tính chất ngữ nghĩa cao và phân bổ rải rác trong các tập phim dài.

Tác giả xác định 4 mục tiêu nghiên cứu cụ thể được đánh số như sau:

  1. Tìm hiểu tổng quan về các cách tiếp cận cho bài toán tóm tắt video.
  2. Thực hiện gán nhãn, hoàn thiện bộ dữ liệu chuẩn (ground-truth) cho tập dữ liệu BBC EastEnders TV.
  3. Cài đặt, thử nghiệm, đánh giá kết hợp một số phương pháp tiên tiến phổ biến như của nhóm MEMAD, nhóm NII_UIT, so khớp hình ảnh và so khớp văn bản trên bộ dữ liệu BBC EastEnders TV.
  4. Xây dựng hệ thống ứng dụng trên nền tảng Web nhằm trực quan hóa bộ dữ liệu và kết quả thực nghiệm.

Đối tượng và phạm vi nghiên cứu của khóa luận được xác định:

  • Đối tượng nghiên cứu: Các phân đoạn video (shots), khuôn mặt nhân vật xuất hiện trong các khung hình, lời thoại phụ đề đi kèm và văn bản tóm tắt tiểu sử nhân vật.
  • Phạm vi dữ liệu và không gian: Chuỗi 11 tập video từ loạt phim BBC EastEnders TV với tổng thời lượng khoảng 20 giờ, tập trung vào 5 nhân vật chính được chỉ định trong nhiệm vụ TRECVID VSUM 2021 (bao gồm Tanya, Max, Jack, Peggy, Archie).
  • Phạm vi ràng buộc thời gian và phân đoạn: Hệ thống phải tạo ra 4 bản tóm tắt tương ứng với 4 lần chạy (Run 1: 5 phân đoạn, tối đa 50 giây; Run 2: 10 phân đoạn, tối đa 100 giây; Run 3: 15 phân đoạn, tối đa 150 giây; Run 4: 20 phân đoạn, tối đa 200 giây).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng lý thuyết học sâu (Deep Learning), thị giác máy tính và xử lý ngôn ngữ tự nhiên:

  • Khung lý thuyết tóm tắt video cơ sở: Quy trình chuẩn 3 bước gồm phát hiện ranh giới phân đoạn (Shot Boundary Detection), dự đoán điểm quan trọng mức khung hình (Frame-level Importance Score Prediction) và lựa chọn phân đoạn chính (Key Shot Selection).
  • Lý thuyết xác suất: Ứng dụng định lý nhân xác suất nhằm tính toán trọng số quan trọng của các nhân vật xuất hiện đồng thời trong cùng khung hình.
  • Mạng nơ-ron nhân tạo và tối ưu hóa: Khảo sát các hàm kích hoạt (Binary Step, Sigmoid, Tanh, ReLU, Leaky ReLU, ELU), các hàm mất mát (Mean Square Error / L2 Loss, Cross-Entropy Loss, Triplet Loss với bộ ba Anchor - Positive - Negative), thuật toán tối ưu Gradient Descent, Stochastic Gradient Descent (SGD) kết hợp kỹ thuật giảm tốc độ học (Learning Rate Decay) và dừng sớm (Early Stopping) để chống quá khớp (overfitting).
  • Mạng tích chập (CNN) và kiến trúc thị giác: Cấu trúc tầng tích chập (Conv), tầng lấy mẫu (Pooling), tầng kết nối đầy đủ (FC). Các kiến trúc sâu được phân tích gồm ResNet (với mô-đun phần dư Residual Module, mô hình ResNet-50 dung lượng 102MB), Inception V3 (mô-đun tích chập đa kích thước 1x1, 3x3, 5x5, dung lượng 96MB) và EfficientNet.
  • Phương pháp xử lý ngôn ngữ tự nhiên: Kỹ thuật nhúng văn bản (Text Embedding) với mô hình Word2Vec, Doc2Vec (mô hình bộ nhớ phân tán PV-DM), và Universal Sentence Encoder (hai biến thể: Transformer Encoder tạo vector 512 chiều và Deep Averaging Network - DAN tạo vector 512 chiều).
  • Phương pháp nghiên cứu thực tế: Kế thừa phương pháp của nhóm MEMAD (sử dụng Fandom EastEnders Wiki, thư viện Face Celebrity Recognition, MTCNN, FaceNet, bộ phân loại SVM, thuật toán theo dõi SORT và độ tương đồng TF-IDF có phạt độ dài) và nhóm NII_UIT (kết hợp điểm khuôn mặt từ MTCNN/VGGFace2 và điểm biểu diễn từ mô hình VASNet trên nền đặc trưng GoogLeNet pool5). Trên cơ sở đó, nhóm phát triển hệ thống kết hợp đa đặc trưng thị giác và ngữ nghĩa văn bản, áp dụng mô hình bài toán cái túi đa mục tiêu (Multi-objective Knapsack Problem) để tối ưu hóa việc chọn phân đoạn.
  • Nguồn dữ liệu: Bộ dữ liệu chuẩn BBC EastEnders TV (11 video, 20 giờ, file XML mốc phân cảnh và file phụ đề XML), dữ liệu tóm tắt sự kiện từ Fandom EastEnders Wiki, cùng bộ nhãn ground-truth do nhóm tự xây dựng.

Thiết kế và triển khai hệ thống

Hệ thống tóm tắt video được thiết kế theo cấu trúc mô-đun hóa, tích hợp các kỹ thuật trích xuất đặc trưng đa phương thức và tối ưu hóa lựa chọn phân cảnh:

[Video gốc + Phụ đề XML + Shot Boundaries]
  1. Phân đoạn video (Shot Boundary Detection): Hệ thống sử dụng trực tiếp ranh giới các phân đoạn chuẩn (master shot boundaries) được định nghĩa sẵn trong tệp siêu dữ liệu XML của bộ dữ liệu BBC EastEnders.
  2. Nhận diện khuôn mặt (Person Face Identification):
    • Định vị vùng khuôn mặt bằng mạng tích chập tầng đa tác vụ MTCNN gồm 3 mạng nối tiếp: Proposal Network (P-Net), Refine Network (R-Net) và Output Network (O-Net).
    • Trích xuất vector đặc trưng khuôn mặt bằng mô hình ResNet-50 kết hợp các khối Squeeze-and-Excitation (SE-ResNet-50, SE-ResNeXt).
    • So khớp khuôn mặt với 4 ảnh mẫu của nhân vật thông qua độ tương đồng Cosine (Cosine Similarity).
  3. Tính toán tương tác và đồng xuất hiện: Áp dụng công thức nhân xác suất để đánh giá mức độ quan trọng khi nhân vật mục tiêu xuất hiện đồng thời cùng các nhân vật liên quan trong một phân cảnh.
  4. So khớp ngữ nghĩa văn bản (Text Matching):
    • Trích xuất phụ đề tương ứng theo mốc thời gian của từng phân đoạn từ file XML.
    • Thu thập bản tóm tắt tiểu sử của từng nhân vật từ Fandom EastEnders Wiki, phân tách thành các câu đơn.
    • Sử dụng Universal Sentence Encoder để chuyển đổi câu thoại và câu tóm tắt Wiki thành các vector 512 chiều, sau đó tính điểm tương đồng ngữ nghĩa giữa các phân đoạn và sự kiện cuộc đời.
  5. Tổng hợp điểm và tối ưu hóa bài toán cái túi (Knapsack Optimization):
    • Tổng hợp điểm quan trọng của từng phân đoạn dựa trên tổ hợp tuyến tính các điểm thành phần (điểm khuôn mặt, điểm đồng xuất hiện, điểm so khớp văn bản và điểm phân loại sự kiện).
    • Thiết lập bài toán tối ưu hóa lựa chọn tập phân đoạn thỏa mãn đồng thời hai ràng buộc cứng: số lượng phân đoạn tối đa ($K \in {5, 10, 15, 20}$) và tổng thời lượng tối đa ($T \in {50s, 100s, 150s, 200s}$).
  6. Triển khai ứng dụng Web minh họa: Xây dựng hệ thống giao diện web phục vụ trực quan hóa dữ liệu gán nhãn (tra cứu 11 tập phim, tìm kiếm phân đoạn theo mã định danh, tải phân đoạn, xem thống kê phân bố độ dài) và hiển thị kết quả các video tóm tắt được kết xuất theo từng nhân vật và từng lần chạy.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh bùng nổ dữ liệu đa phương tiện và sự cần thiết của kỹ thuật tóm tắt video. Tác giả phân tích chi tiết nhiệm vụ TRECVID VSUM 2021, nêu rõ sự khác biệt giữa bài toán tóm tắt video truyền thống (trên tập TVSum, SumMe) và bài toán tóm tắt sự kiện cuộc đời nhân vật trong phim truyền hình dài tập. Chương này liệt kê các thách thức chính về chất lượng hình ảnh video từ năm 1985 bị mờ, tính phức tạp trong định nghĩa sự kiện lớn, độ dài dữ liệu lớn (20 giờ), đồng thời xác định rõ 4 mục tiêu, phạm vi nghiên cứu, 5 đóng góp chính và cấu trúc 6 chương của khóa luận.

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

Chương 2 hệ thống hóa toàn bộ nền tảng lý thuyết phục vụ đề tài:

  • Trình bày mô hình Perceptron, các hàm kích hoạt (Sigmoid, Tanh, ReLU, Leaky ReLU, ELU), các hàm mất mát (MSE, Cross-Entropy, Triplet Loss) và kỹ thuật tối ưu hóa mạng nơ-ron (SGD, Learning rate decay, Early stopping).
  • Phân tích cấu tạo mạng CNN và các kiến trúc trích xuất đặc trưng hình ảnh tiêu biểu (ResNet-50 với kích thước mô hình 102MB, Inception V3 dung lượng 96MB, EfficientNet).
  • Trình bày các kỹ thuật biểu diễn văn bản trong NLP gồm Word2Vec, Doc2Vec (PV-DM), Universal Sentence Encoder (biến thể Transformer Encoder và biến thể Deep Averaging Network - DAN cùng xuất vector 512 chiều).
  • Khảo cứu chuyên sâu hai giải pháp đạt giải tại TRECVID VSUM 2020: giải pháp của đội MEMAD (tiếp cận dựa trên văn bản Fandom Wiki kết hợp TF-IDF, SVM và SORT) và giải pháp của đội NII_UIT (tiếp cận 3 bước kết hợp MTCNN, VGGFace2 và mô hình chú ý VASNet).

Chương 3: Xây dựng hệ thống cho bài toán tóm tắt các sự kiện lớn trong cuộc đời trên tập dữ liệu video BBC EastEnders

Chương 3 mô tả chi tiết quy trình thiết kế và thuật toán của hệ thống đề xuất:

  • Quy trình phát hiện ranh giới phân cảnh dựa trên cấu trúc dữ liệu XML của tập EastEnders.
  • Thiết kế hệ thống nhận diện khuôn mặt nhân vật qua pipeline MTCNN (P-Net, R-Net, O-Net) kết hợp mạng trích xuất đặc trưng SE-ResNet-50 / SE-ResNeXt.
  • Phương pháp tính toán xác suất khuôn mặt xuất hiện đồng thời qua định lý nhân xác suất.
  • Kỹ thuật so khớp văn bản giữa lời thoại phân đoạn và bản tóm tắt tiểu sử nhân vật trên Fandom Wiki bằng Universal Sentence Encoder.
  • Phương pháp phân loại sự kiện và cơ chế tổng hợp điểm số quan trọng đa thành phần theo bảng trọng số đặc trưng.
  • Mô hình hóa thuật toán lựa chọn phân cảnh thành bài toán cái túi đa mục tiêu (Multi-objective Knapsack Problem) nhằm tạo ra video tóm tắt thỏa mãn các ràng buộc về số phân đoạn và thời lượng.

Chương 4: Thực nghiệm và đánh giá

Chương 4 trình bày chi tiết quá trình thực nghiệm trên bộ dữ liệu BBC EastEnders TV:

  • Quy trình xây dựng bộ dữ liệu gán nhãn ground-truth cho 11 tập phim với các bảng câu hỏi trắc nghiệm sự kiện cuộc đời cho từng nhân vật (Max, Tanya, Jack, Peggy, Archie).
  • Thiết lập tiêu chí đánh giá dựa trên số lượng câu hỏi chuyên gia được trả lời đúng thông qua nội dung video tóm tắt (thang đo 5 câu hỏi/nhân vật do ban tổ chức TRECVID cung cấp).
  • Báo cáo kết quả thực nghiệm chi tiết theo 4 cấu hình chạy (Run 1 đến Run 4) và đánh giá tác động của từng nhóm đặc trưng (khuôn mặt, đồng xuất hiện, văn bản, phân loại sự kiện) lên hiệu quả tóm tắt.
  • Phân tích và so sánh đối sánh kết quả đạt được giữa hệ thống đề xuất với kết quả của các đội thi tại TRECVID VSUM.

Chương 5: Xây dựng ứng dụng minh họa đề tài

Chương 5 trình bày việc hiện thực hóa hệ thống phần mềm ứng dụng trên nền tảng Web:

  • Thiết kế mô-đun web trực quan hóa bộ dữ liệu gán nhãn: giao diện duyệt 11 tập phim, tìm kiếm phân đoạn theo tên, công cụ hỗ trợ tải phân cảnh, biểu đồ thống kê phân bố phân đoạn theo thời lượng, danh sách phân đoạn liên quan đến từng câu hỏi của nhân vật.
  • Thiết kế mô-đun web trực quan hóa kết quả thực nghiệm: giao diện hiển thị và phát trực tiếp video tóm tắt được trích xuất tương ứng với từng nhân vật và từng lần chạy (Run 1: 5 shots/50s, Run 2: 10 shots/100s, Run 3: 15 shots/150s, Run 4: 20 shots/200s).

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được của khóa luận trong việc xây dựng hệ thống tóm tắt video hướng nhân vật, việc hoàn thiện bộ nhãn dữ liệu thực nghiệm, và việc công bố công trình khoa học tại hội nghị TRECVID 2021 và ACIIDS 2022. Đồng thời, tác giả đề xuất các định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Khóa luận đạt được các kết quả cụ thể thông qua số liệu thực nghiệm và đóng góp học thuật:

  • Xây dựng bộ dữ liệu gán nhãn: Hoàn thành bộ ground-truth chi tiết cho chuỗi 11 tập video BBC EastEnders TV, gắn kết các phân đoạn video với 5 câu hỏi sự kiện lớn cho từng nhân vật, phục vụ công tác huấn luyện và kiểm thử khách quan.
  • Kết quả thực nghiệm trên các lần chạy: Hệ thống thực hiện kết xuất video tóm tắt thành công cho toàn bộ các nhân vật theo đúng 4 ràng buộc của nhiệm vụ TRECVID VSUM:
Cấu hình lần chạy Số phân đoạn tối đa ($K$) Tổng thời gian tối đa ($T$) Mục tiêu đánh giá
Run 1 5 phân đoạn 50 giây Trả lời tối đa các câu hỏi sự kiện trong thời lượng ngắn nhất
Run 2 10 phân đoạn 100 giây Mở rộng số lượng phân cảnh quan trọng
Run 3 15 phân đoạn 150 giây Tăng độ bao phủ các sự kiện cuộc đời
Run 4 20 phân đoạn 200 giây Đạt độ bao phủ tối đa theo giới hạn của cuộc thi
  • Đóng góp về mặt phương pháp:
    • Kết hợp đồng thời thông tin thị giác (nhận diện khuôn mặt MTCNN + SE-ResNet-50), thông tin tương tác (đồng xuất hiện qua xác suất nhân), và thông tin ngữ nghĩa văn bản (Universal Sentence Encoder kết hợp nội dung Fandom Wiki).
    • Đề xuất mô hình hóa bài toán chọn phân cảnh bằng bài toán cái túi đa mục tiêu, giải quyết triệt để xung đột giữa độ dài phân cảnh và điểm quan trọng.
  • Đóng góp công bố khoa học:
    • Kết quả nghiên cứu của nhóm sinh viên đã được công bố chính thức tại hội nghị quốc tế TRECVID 2021.
    • Bài báo khoa học hoàn chỉnh đã được gửi tới hội nghị quốc tế Asian Conference on Intelligent Information and Database Systems (ACIIDS 2022).
  • Đóng góp ứng dụng: Xây dựng hoàn chỉnh ứng dụng Web hỗ trợ trực quan hóa bộ dữ liệu gán nhãn và trình diễn kết quả tóm tắt video.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế nội tại xuất phát từ tính chất dữ liệu và phạm vi nghiên cứu:

  • Hạn chế về chất lượng dữ liệu hình ảnh: Chuỗi phim BBC EastEnders được ghi hình và xuất bản từ năm 1985 nên chất lượng hình ảnh bị mờ, độ phân giải thấp, gây ảnh hưởng trực tiếp đến độ chính xác của các mô hình phát hiện và nhận diện khuôn mặt.
  • Độ dài chuỗi video lớn: Với tổng thời lượng lên tới 20 giờ cho 11 tập phim, khối lượng tính toán trích xuất đặc trưng đa phương thức đòi hỏi tài nguyên phần cứng lớn.
  • Tính phức tạp của ngữ nghĩa sự kiện: Sự kiện quan trọng trong cuộc đời nhân vật rất phong phú và mang tính ngữ cảnh cao, khó định lượng tuyệt đối chỉ thông qua lời thoại ngắn hoặc tần suất xuất hiện khuôn mặt đơn thuần.
  • Phụ thuộc vào nguồn tóm tắt bên ngoài: Phương pháp so khớp văn bản phụ thuộc vào chất lượng và mức độ chi tiết của các bài tóm tắt do người hâm mộ đóng góp trên Fandom Wiki.

Các hướng phát triển tiếp theo được tác giả xác định:

  • Nâng cấp và thử nghiệm các mô hình học sâu mới hơn cho thị giác máy tính và trích xuất đặc trưng âm thanh/lời thoại nhằm tăng độ chính xác trong điều kiện video chất lượng thấp.
  • Hoàn thiện và tối ưu hóa thuật toán tích hợp đa phương thức (multimodal fusion) giữa hình ảnh, âm thanh và ngữ nghĩa văn bản.
  • Mở rộng tập dữ liệu gán nhãn cho nhiều nhân vật và nhiều tập phim hơn trong loạt phim truyền hình dài tập.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn phù hợp cho:

  • Sinh viên, học viên cao học ngành Khoa học máy tính, Trí tuệ nhân tạo, Hệ thống thông tin: Cung cấp tài liệu tổng quan và chi tiết về các kỹ thuật xử lý video, nhận diện khuôn mặt đa tầng, nhúng câu trong xử lý ngôn ngữ tự nhiên và giải thuật tối ưu hóa tổ hợp.
  • Người nghiên cứu bài toán Video Summarization: Tài liệu có giá trị tham khảo cao tại Chương 3 (quy trình thiết kế hệ thống đa đặc trưng và mô hình hóa bài toán cái túi) và Chương 4 (phương pháp xây dựng bộ ground-truth và quy trình đánh giá theo chuẩn cuộc thi quốc tế TRECVID).
  • Lập trình viên phát triển hệ thống AI đa phương thức: Tham khảo kiến trúc kết hợp giữa các mô hình thị giác (MTCNN, ResNet-50) và mô hình ngôn ngữ (Universal Sentence Encoder) trong các ứng dụng thực tế.

Câu hỏi thường gặp

1. Nhiệm vụ TRECVID VSUM 2021 yêu cầu đầu vào và đầu ra của bài toán tóm tắt video như thế nào? Đầu vào của bài toán gồm chuỗi 11 video thuộc loạt phim BBC EastEnders TV (tổng thời lượng khoảng 20 giờ), thông tin nhân vật mục tiêu (tên và ảnh mẫu khuôn mặt), cùng giới hạn số phân đoạn (5, 10, 15, 20) và thời lượng tối đa tương ứng (50s, 100s, 150s, 200s). Đầu ra là bản video tóm tắt rút gọn thỏa mãn các ràng buộc trên, có nội dung trả lời được bộ 5 câu hỏi của hệ thống chuyên gia về các sự kiện lớn trong cuộc đời nhân vật.

2. Hệ thống nhận diện khuôn mặt nhân vật trong khóa luận sử dụng những mô hình nào? Hệ thống sử dụng mạng tích chập đa tầng MTCNN (bao gồm 3 mạng nối tiếp P-Net, R-Net và O-Net) để phát hiện và định vị vùng khuôn mặt trong từng khung hình, sau đó sử dụng mạng ResNet-50 (kết hợp các biến thể SE-ResNet-50 và SE-ResNeXt) để trích xuất vector đặc trưng khuôn mặt, cuối cùng so khớp với ảnh mẫu nhân vật bằng độ đo tương đồng Cosine.

3. Phương pháp so khớp văn bản (Text Matching) được thực hiện dựa trên nguồn ngữ liệu và mô hình nào? Phương pháp so khớp văn bản sử dụng lời thoại phân đoạn trích xuất từ tệp XML phụ đề của bộ dữ liệu BBC EastEnders và nội dung tóm tắt tiểu sử nhân vật thu thập từ Fandom EastEnders Wiki. Nhóm tác giả sử dụng mô hình Universal Sentence Encoder (với hai biến thể Transformer Encoder và Deep Averaging Network - DAN) để mã hóa các câu văn thành vector 512 chiều và tính toán độ tương đồng ngữ nghĩa.

4. Khóa luận giải quyết bài toán lựa chọn phân cảnh để tạo video tóm tắt cuối cùng bằng phương pháp gì? Sau khi tính toán và tổng hợp điểm số quan trọng của từng phân cảnh từ các đặc trưng khuôn mặt, xác suất đồng xuất hiện, so khớp văn bản và phân loại sự kiện, nhóm tác giả mô hình hóa việc chọn phân cảnh thành bài toán cái túi đa mục tiêu (Multi-objective Knapsack Problem) nhằm tối đa hóa tổng điểm quan trọng dưới hai ràng buộc đồng thời về số lượng phân đoạn tối đa ($K$) và tổng thời lượng video ($T$).

5. Các kết quả nghiên cứu của khóa luận đã được công bố tại các diễn đàn học thuật nào? Kết quả nghiên cứu của khóa luận đã được công bố chính thức tại hội nghị TRECVID 2021 và bài báo khoa học mở rộng đã được gửi tới hội nghị quốc tế Asian Conference on Intelligent Information and Database Systems (ACIIDS 2022).

Kết luận

Khóa luận tốt nghiệp của sinh viên Trần Đình Khang và Phạm Lê Quang Nhật đã xây dựng hoàn chỉnh hệ thống tóm tắt các sự kiện lớn trong cuộc đời nhân vật trên tập dữ liệu video BBC EastEnders TV. Bằng cách kết hợp hiệu quả giữa thị giác máy tính, xử lý ngôn ngữ tự nhiên và giải thuật tối ưu hóa bài toán cái túi đa mục tiêu, nghiên cứu đã giải quyết được thách thức tóm tắt video theo ngữ cảnh sự kiện nhân vật. Công trình đóng góp bộ nhãn ground-truth hoàn chỉnh, hệ thống ứng dụng web minh họa trực quan và đã được ghi nhận thông qua các công bố tại hội nghị quốc tế TRECVID 2021 và ACIIDS 2022.