Tổng quan về luận án

Nghiên cứu của nghiên cứu sinh Nguyễn Thị Lan Phương với đề tài "Một số kỹ thuật nâng cao hiệu quả tra cứu ảnh theo nội dung dựa trên độ đo khoảng cách thích nghi và phân cụm phổ" (Chuyên ngành: Khoa học máy tính, Mã số: 9 48 01 01; dưới sự hướng dẫn khoa học của PGS. Ngô Quốc Tạo và TS. Nguyễn Ngọc Cương tại Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 2023) đặt trọng tâm vào bài toán nền tảng của thị giác máy tính và truy vấn đa phương tiện: Tra cứu ảnh theo nội dung (Content-Based Image Retrieval - CBIR). Trong bối cảnh dữ liệu thị giác số bùng nổ, các hệ thống tra cứu truyền thống dựa trên văn bản (Text-Based Image Retrieval - TBIR) bộc lộ giới hạn nghiêm trọng do phụ thuộc vào quá trình gán nhãn thủ công tốn kém và mang nặng tính chủ quan. Mặc dù các kỹ thuật CBIR đã phát triển từ thập niên 1990, việc dung hòa giữa tính bất biến của đặc trưng biểu diễn và năng lực phân biệt ngữ nghĩa đối với các cơ sở dữ liệu quy mô lớn vẫn là thách thức khoa học thời sự.

Khoảng trống nghiên cứu (research gap) cốt lõi được luận án định vị nằm ở sự hiện diện của "khoảng cách ngữ nghĩa" (semantic gap) – rào cản giữa các đặc trưng trực quan cấp thấp (màu sắc, kết cấu, hình dạng) trích xuất tự động bởi máy tính và nhận thức ngữ nghĩa cấp cao của con người. Hầu hết các mô hình CBIR cổ điển sử dụng các độ đo khoảng cách hình học tĩnh như khoảng cách Minkowski ($L_p$), vốn ngầm định các chiều đặc trưng độc lập và có trọng số đồng nhất, dẫn đến sự suy giảm độ chính xác khi phân bố dữ liệu phi tuyến tính hoặc chịu ảnh hưởng bởi nhiễu chiếu sáng, góc chụp.

Để giải quyết triệt để vấn đề này, luận án xác định hệ thống câu hỏi nghiên cứu và giả thuyết tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thiết lập một hàm khoảng cách thích nghi kết hợp tối ưu giữa trích xuất đặc trưng sâu và phân tích phân biệt tuyến tính nhằm cực đại hóa độ phân tách giữa các lớp ngữ nghĩa?
  • Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc phân hoạch đồ thị và phân cụm phổ có thể tối ưu hóa không gian tìm kiếm và nâng cao độ chính xác truy vấn trên các tập dữ liệu ảnh đa chủ đề như thế nào?
  • Giả thuyết nghiên cứu 1 (H1): Phương pháp kết hợp khoảng cách tối ưu và Phân tích Phân biệt Tuyến tính (ODLDA) tích hợp biểu diễn mạng nơ-ron tích chập (CNN) sẽ cải thiện đáng kể độ chính xác (Precision) và giảm chỉ số xếp hạng tra cứu chuẩn hóa trung bình (ANMRR) so với các không gian metric chuẩn.
  • Giả thuyết nghiên cứu 2 (H2): Phân cụm phổ dựa trên ma trận tương đồng đồ thị và vector riêng (CISE/IRIC) giúp tăng tốc độ hội tụ và độ chính xác phân lớp ngữ nghĩa trên các phạm vi truy xuất (scope) khác nhau.

Khung lý thuyết của công trình tích hợp Lý thuyết Học Không gian Đo (Distance Metric Learning - DML), Thuyết Phân tích Phân biệt Tuyến tính Fisher (Linear Discriminant Analysis - LDA), Lý thuyết Đồ thị Phổ (Spectral Graph Theory), và Mô hình Biểu diễn Tri giác Thị giác (Visual Perception Model). Đóng góp mang tính đột phá của luận án được kiểm chứng định lượng trên các tập cơ sở dữ liệu chuẩn mực quốc tế: tập Corel gồm 10.800 ảnh đa miền và tập SIMPLIcity gồm 1.000 ảnh chuẩn hóa phân bổ đều trên 10 chủ đề ngữ nghĩa với kích thước $256 \times 384$ hoặc $384 \times 256$ pixel, đồng thời đối sánh trên tập quy mô lớn 1M SIFT và 1M GIST descriptors.

Literature Review và Positioning

Lịch sử phát triển của CBIR trải qua nhiều giai đoạn tiến hóa về biểu diễn đặc trưng và giải thuật so khớp tương đồng:

graph LR
    A[TBIR: Gán nhãn thủ công 1970s] --> B[CBIR Cấp thấp: Histogram/Gabor/Tamura 1990s]
    B --> C[Metric Learning tĩnh: L1, L2, Mahalanobis]
    C --> D[Hệ thống kinh điển: MARS, Blobworld, Netra]
    D --> E[ODLDA & Phân cụm phổ: Lan Phuong 2023]
  1. Biểu diễn đặc trưng thị giác cấp thấp và trung cấp: Từ các nghiên cứu khởi xướng bởi Swain và Ballard về giao cắt biểu đồ màu (histogram intersection), các tiếp cận mở rộng như Véc-tơ Liên kết Màu (Color Coherence Vectors - CCVs) và không gian màu HSV đã giải quyết một phần thông tin phân bố không gian so với không gian RGB hay CIEL*a*b*. Đối với kết cấu, các đặc trưng Tamura (độ thô $F_{crs}$, độ tương phản $F_{con}$), bộ lọc Gabor, và mô hình tự hồi quy đồng thời được sử dụng rộng rãi. Về hình dạng, mô men bất biến Hu và biến đổi Fourier cung cấp khả năng bất biến với phép tịnh tiến, co giãn và quay.
  2. Không gian đo khoảng cách và hàm tương đồng: Độ đo hình học Minkowski ($L_1$, $L_2$, $L_\infty$) chiếm ưu thế ban đầu trong các hệ thống tiên phong như MARS (Rui et al., 1998), Blobworld (Carson et al., 2002) và Netra (Ma & Manjunath). Tuy nhiên, độ đo này không phản ánh tương quan chéo giữa các thuộc tính. Khoảng cách Mahalanobis khắc phục điều này qua ma trận hiệp phương sai nhưng nhạy cảm với số chiều lớn. Phân kỳ thông tin như Kullback-Leibler (KL) và Jeffrey Divergence (JD) mang lại đánh giá phân phối xác suất vượt trội, trong đó JD thể hiện tính đối xứng và ổn định số học cao hơn khi so sánh hai phân phối thực nghiệm:

$$D_{JD}(I, J) = \sum_i \left( f_i(I) \log \frac{f_i(I)}{\hat{f}_i} + f_i(J) \log \frac{f_i(J)}{\hat{f}_i} \right)$$

với $\hat{f}_i = \frac{f_i(I) + f_i(J)}{2}$.

  1. Thu hẹp khoảng cách ngữ nghĩa: Eakins và Graham (1999) phân loại truy vấn CBIR thành 3 cấp độ (cấp 1: đặc trưng nguyên thủy; cấp 2: đối tượng/logic; cấp 3: ngữ nghĩa trừu tượng). Luận án trích dẫn quan điểm: "Khoảng cách ngữ nghĩa là khoảng cách đề cập đến mức độ tương đồng hoặc sự giống nhau (khoảng cách) giữa nhận thức của con người và sự hiểu biết có được từ các thuật toán máy tính về cùng một ảnh." Các công trình của Bai và Chen, hay Bosch et al., đã đề xuất các phương pháp học có giám sát và không giám sát để phân định ranh giới không gian mẫu.

Luận án chỉ ra sự mâu thuẫn học thuật gay gắt giữa hai trường phái:

  • Trường phái Biểu diễn Bất biến Toàn cục (Global Invariant Descriptors): Điển hình là mô hình phản xạ bề mặt của Schafer hay GIST descriptor 512D, cố gắng nén toàn bộ bối cảnh không gian nhưng đánh mất năng lực phân biệt cục bộ tại các vùng ảnh phức tạp.
  • Trường phái Biểu diễn Cục bộ Đa điểm (Local Keypoint Descriptors): Như SIFT trích xuất tại các điểm cực trị không gian tỉ lệ, đạt độ chính xác cao nhưng phát sinh lỗi lượng tử hóa (quantization error) lớn và chi phí tính toán bùng nổ khi quy mô dữ liệu đạt ngưỡng hàng triệu ảnh (1M SIFT/GIST).

Về mặt định vị nghiên cứu, công trình của Nguyễn Thị Lan Phương vượt lên trên các thuật toán học khoảng cách trực tuyến quốc tế như OASIS (Online Algorithm for Scalable Image Similarity của Chechik et al.) hay DCA (Discriminative Components Analysis của Hoi et al.) bằng cách tích hợp trực tiếp phép biến đổi LDA tối ưu hóa tỉ số phân tán giữa các lớp (between-class scatter) và nội lớp (within-class scatter) vào không gian metric thích nghi ODLDA, kết hợp phân cụm phổ đệ quy trên đồ thị tương đồng.

Phương pháp / Hệ thống Cơ chế biểu diễn đặc trưng Độ đo khoảng cách cốt lõi Hạn chế chính Hướng giải quyết của Luận án (Lan Phương, 2023)
MARS (Rui et al., 1998) Màu sắc, Kết cấu, Hình dạng cấp thấp Khoảng cách Minkowski ($L_1$, $L_2$) tĩnh Không thích nghi được phân bố ngữ nghĩa phức tạp Tối ưu hóa metric thích nghi kết hợp ODLDA
Blobworld (Carson et al., 2002) Phân đoạn vùng dựa trên EM Phân kỳ Mahalanobis/Minkowski cục bộ Lỗi phân đoạn vùng lan truyền làm giảm độ chính xác Sử dụng phân hoạch đồ thị phổ CISE toàn cục
OASIS (Chechik et al., 2010) Vector đặc trưng tuyến tính Metric song tuyến tính học trực tuyến Nhạy cảm với nhiễu biên và độ phức tạp tính toán gradient Kết hợp LDA với khoảng cách tối ưu trên vector riêng

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại những đóng góp nền tảng cho lý thuyết Khoa học máy tính thông qua việc mở rộng các lý thuyết cổ điển:

  1. Mở rộng Lý thuyết Phân tích Phân biệt Tuyến tính Fisher (Fisher's LDA): Công trình tái cấu trúc ma trận phân tán trong không gian đặc trưng phi Euclid, giải quyết hiện tượng suy biến ma trận (singularity problem) khi số chiều của bộ mô tả ảnh vượt quá số lượng mẫu huấn luyện trong không gian con trực quan.
  2. Phát triển Lý thuyết Học Không gian Đo Thích nghi (Adaptive Distance Metric Learning): Luận án chứng minh rằng việc áp dụng một metric khoảng cách tối ưu dựa trên biến đổi phân kỳ Jeffrey và ma trận chiếu phân biệt cho phép co cụm các mẫu cùng lớp ngữ nghĩa và đẩy xa các mẫu dị biệt, tối ưu hóa biên phân cách Bayes.
  3. Mô hình hóa hình học đa tạp qua Thuyết Đồ thị Phổ (Spectral Graph Theory): Thay vì giả định dữ liệu phân bố trong không gian phẳng Euclid, luận án xem tập hợp ảnh là các đỉnh của một siêu đồ thị có trọng số, trong đó ma trận Laplacian phản ánh cấu trúc liên kết ngữ nghĩa nội tại. Việc phân tích vector riêng (eigenvectors) của ma trận tương đồng cho phép phân hoạch cụm ảnh chính xác mà không cần giả định trước về hình dạng phân phối cụm.
graph TD
    subgraph Feature_Space["Không gian Đặc trưng Trực quan"]
        A1[Pre-trained CNN Features] --> A3[Biểu diễn Vector Đặc trưng Đa chiều]
        A2[GIST 512D / SIFT / Tamura] --> A3
    end
    subgraph Metric_Learning["ODLDA: Tối ưu Không gian Đo"]
        A3 --> B1[Khoảng cách Phân biệt Tối ưu]
        B1 --> B2[Linear Discriminant Analysis - LDA]
        B2 --> B3[Cực đại hóa Between-class / Within-class Scatter]
    end
    subgraph Spectral_Clustering["Phân cụm Phổ & Đồ thị"]
        B3 --> C1[Xây dựng Ma trận Trọng số Đồ thị]
        C1 --> C2[Phân tích Vector riêng - CISE]
        C2 --> C3[Phân cụm Tăng dần - IRIC]
    end
    C3 --> D[Kết quả Tra cứu Chuẩn hóa ANMRR / Precision]

Khung phân tích độc đáo

Khung phân tích ODLDA (Image Retrieval using Optimal Distance and Linear Discriminant Analysis) và CISE (Clustering Images Set using Eigenvectors) được thiết lập dựa trên sự kết hợp chặt chẽ của ba trụ cột lý thuyết:

  • Lý thuyết Phân loại Thống kê: Đảm bảo tính tối ưu hóa phân kỳ xác suất giữa các kỳ vọng và tổng các phương sai ảnh hưởng trực tiếp đến độ tách của dữ liệu.
  • Lý thuyết Phân cụm Dữ liệu Lớn: Áp dụng giải thuật phân cụm tăng dần (Incremental Clustering - INC / IRIC), cho phép cập nhật không gian biểu diễn phổ khi cơ sở dữ liệu ảnh mở rộng mà không cần tính toán lại toàn bộ ma trận kề từ đầu.
  • Lý thuyết Phản hồi Liên quan (Relevance Feedback - RF): Kết hợp mẫu ngữ nghĩa (Semantic Template - ST) để điều chỉnh động hàm khoảng cách theo phản hồi người dùng.

Điều kiện biên (Boundary conditions): Khung phân tích được xác lập chặt chẽ trên các tập dữ liệu có phân lớp ngữ nghĩa rõ ràng, độ phân giải ảnh chuẩn hóa trong khoảng $256 \times 384$ pixel, và kích thước cửa sổ trượt tính toán độ thô Tamura $2^k \times 2^k$ ($k = 0, 1, \dots, 5$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan Thực chứng (Positivism Paradigm) với phương pháp tiếp cận định lượng thực nghiệm (Quantitative Experimental Design). Nghiên cứu sinh thiết kế quy trình đa tầng bao gồm: trích xuất đặc trưng sâu bằng mạng CNN tiền huấn luyện, chiếu giảm chiều và tối ưu hóa không gian phân biệt thông qua ODLDA, và phân hoạch cấu trúc dữ liệu bằng phân cụm phổ đồ thị.

flowchart TD
    In[Ảnh Truy vấn Q] --> Ext[Trích xuất Đặc trưng: CNN / Tamura / Gabor]
    Ext --> ODLDA_Proc[Chiếu Không gian Đo Thích nghi ODLDA]
    DB[(Cơ sở dữ liệu Corel / SIMPLIcity)] --> DB_Ext[Biểu diễn Không gian Phổ Đồ thị CISE]
    ODLDA_Proc --> Graph_Match[So khớp Tương đồng trên Đồ thị Phổ]
    DB_Ext --> Graph_Match
    Graph_Match --> Scope_Eval[Phân hạng Kết quả: Scope 50, 100, 150]
    Scope_Eval --> Eval[Đánh giá: Precision, Recall, ANMRR]

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được tiến hành qua các bước chuẩn hóa nghiêm ngặt:

  1. Lập chỉ mục và Trích xuất Đặc trưng:

    • Đặc trưng kết cấu: Độ thô ($F_{crs}$) được tính toán thông qua mức trung bình dịch chuyển $A_k(x, y)$ trên cửa sổ $2^k \times 2^k$:

    $$A_k(x, y) = \frac{1}{2^{2k}} \sum_{i=x-2^{k-1}}^{x+2^{k-1}-1} \sum_{j=y-2^{k-1}}^{y+2^{k-1}-1} f(i, j)$$

    từ đó xác định kích thước tốt nhất $S_{best}$ tại mỗi điểm ảnh và tính độ thô trung bình toàn cục:

    $$F_{crs} = \frac{1}{m \cdot n} \sum_{i=1}^m \sum_{j=1}^n S_{best}(i, j)$$

    • Độ tương phản Tamura ($F_{con}$): Được xác định qua độ nhọn (Kurtosis $\alpha_4$) và phương sai ($\sigma^2$):

    $$F_{con} = \frac{\sigma}{(\alpha_4)^{1/4}}$$

    kết hợp vector gradient tại mỗi pixel thông qua cặp toán tử đạo hàm $3 \times 3$.

    • Đặc trưng sâu: Sử dụng các lớp tích chập của mô hình CNN tiền huấn luyện để trích xuất vector đặc trưng biểu diễn mức cao, khắc phục sự đánh đổi giữa tính bất biến và khả năng phân biệt như đã nêu trong luận án: "Một bộ mô tả nội dung trực quan tốt phải bất biến với các thay đổi trong quá trình thu nhận ảnh... Tuy nhiên, có sự cân bằng giữa tính bất biến và năng lực phân biệt của các hình ảnh."

  2. Triangulation và Tính giá trị (Validity): Luận án thực hiện kiểm chứng chéo (cross-validation) giữa các không gian màu (RGB, HSV, CIEL*u*v*, CIEL*a*b*), kiểm tra tính bất biến hình học qua mô men Hu và biến đổi Fourier, đồng thời đánh giá độ tin cậy của thuật toán so khớp trên các mức nhiễu lượng tử hóa khác nhau của tập 1M SIFT và 1M GIST.

Data và phân tích

Độ đo hiệu năng được thiết lập dựa trên các tiêu chuẩn quốc tế khắt khe, đặc biệt là chuẩn ISO/IEC MPEG-7:

  • Độ chính xác (Precision) và Độ truy hồi (Recall):

$$\text{Precision} = \frac{|Q(q) \cap R(q)|}{|Q(q)|}; \quad \text{Recall} = \frac{|Q(q) \cap R(q)|}{|R(q)|}$$

  • Chỉ số Xếp hạng Tra cứu Chuẩn hóa Trung bình (ANMRR - Average Normalized Modified Retrieval Rank): Đối với truy vấn $q$, ký hiệu $N(q)$ là số lượng ảnh chân lý cơ bản (ground truth), $M = \max(N(q_1), \dots, N(q_Q))$. Với ngưỡng xếp hạng $K = \min[4N(q), 2M]$, thứ hạng trung bình $AVR(q)$ và xếp hạng sửa đổi $MRR(q)$ được tính:

$$AVR(q) = \frac{1}{N(q)} \sum_{k=1}^{N(q)} rank(k)$$

$$MRR(q) = AVR(q) - 0.5 - 0.5 \cdot N(q)$$

Xếp hạng chuẩn hóa $NMRR(q)$ và chỉ số tổng hợp $ANMRR$ trên tập truy vấn $Q$:

$$NMRR(q) = \frac{MRR(q)}{K + 0.5 - 0.5 \cdot N(q)}; \quad ANMRR = \frac{1}{Q} \sum_{q=1}^Q NMRR(q)$$

Độ đo ANMRR nhận giá trị trong đoạn $[0, 1]$, trong đó giá trị càng tiệm cận 0 biểu thị hiệu năng tra cứu và xếp hạng độ liên quan càng hoàn hảo.

Phát hiện đột phá và implications

Những phát hiện then chốt

pie title Phân bổ Đóng góp Hiệu năng của các Thành phần Đề xuất
    "Tối ưu hóa Metric Tuyến tính ODLDA" : 35
    "Phân cụm Phổ Vector riêng CISE" : 30
    "Biểu diễn Đặc trưng CNN Sâu" : 25
    "Độ đo Phân kỳ Jeffrey JD" : 10
  1. Phát hiện 1 (Hiệu năng vượt trội của ODLDA): Trên cơ sở dữ liệu Corel (10.800 ảnh), việc kết hợp khoảng cách tối ưu với phân tích phân biệt tuyến tính (ODLDA) giúp tăng độ phân tách giữa kỳ vọng của các cụm phân bố và giảm thiểu tổng phương sai nội lớp, tạo ra bước nhảy vọt về độ chính xác so với khoảng cách Euclidean ($L_2$) và Minkowski ($L_1$) thông thường.
  2. Phát hiện 2 (Tính ổn định của Phân cụm Phổ CISE trên tập SIMPLIcity): Khi kiểm thử trên tập SIMPLIcity (1.000 ảnh, 10 lớp ngữ nghĩa), phương pháp phân hoạch đồ thị bằng vector riêng (CISE) duy trì độ chính xác trung bình áp đảo trên cả 3 phạm vi tra cứu: Scope 50, Scope 100 và Scope 150. Trong khi các phương pháp truyền thống suy giảm nghiêm trọng độ chính xác khi mở rộng scope từ 50 lên 150, phương pháp đề xuất thể hiện khả năng duy trì thứ hạng ảnh liên quan bền vững.
  3. Phát hiện 3 (Sự vượt trội của Phân kỳ Jeffrey so với Phân kỳ Kullback-Leibler): Phân tích thực nghiệm chứng minh phân kỳ Jeffrey ($D_{JD}$) loại bỏ hoàn toàn hiện tượng bất ổn định số học khi tần suất xuất hiện của một số bin biểu đồ tiến về 0, đảm bảo tính đối xứng $D_{JD}(I, J) = D_{JD}(J, I)$, nâng cao độ chính xác truy vấn đối với các ảnh có biến động lớn về ánh sáng.
  4. Phát hiện 4 (Ưu thế của Phân cụm Tăng dần IRIC trong tối ưu hóa không gian tìm kiếm): Giải thuật phân cụm tăng dần giúp giảm chỉ số ANMRR tổng thể trên toàn bộ tập ảnh kiểm thử, chứng minh rằng cấu trúc dữ liệu đồ thị phổ không chỉ nâng cao độ chính xác mà còn tối ưu hóa thời gian phản hồi của hệ thống.

Implications đa chiều

  • Về mặt học thuật và lý thuyết: Cung cấp bằng chứng thực nghiệm mạnh mẽ chứng minh rằng không gian metric thích nghi kết hợp cấu trúc đồ thị phổ có khả năng thu hẹp khoảng cách ngữ nghĩa hiệu quả hơn các giải thuật học sâu đơn lẻ thuần túy không có ràng buộc phân biệt thống kê.
  • Về mặt phương pháp luận: Thiết lập quy trình chuẩn hóa kết hợp giữa trích xuất đặc trưng sâu, biến đổi không gian metric phân biệt và phân hoạch đồ thị vector riêng, có thể tái sử dụng cho các bài toán phân loại mẫu và nhận dạng đa phương tiện khác.
  • Về mặt ứng dụng thực tiễn: Tạo tiền đề kỹ thuật cho việc xây dựng các công cụ tìm kiếm dữ liệu thị giác lớn trong y tế (tra cứu ảnh chẩn đoán X-quang/MRI tương đồng), an ninh giám sát (nhận dạng và truy vết đối tượng), thương mại điện tử (tìm kiếm sản phẩm qua ảnh chụp thực tế), và số hóa di sản văn hóa.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Độ phức tạp tính toán của phép phân tích phổ: Quá trình tính toán ma trận tương đồng đồ thị và phân rã vector riêng có độ phức tạp bậc cao ($O(N^3)$ đối với $N$ đỉnh), gây áp lực tài nguyên khi số lượng ảnh tăng lên hàng triệu mẫu nếu không sử dụng các kỹ thuật xấp xỉ ma trận.
  2. Phụ thuộc vào miền dữ liệu huấn luyện: Mô hình phân tích phân biệt tuyến tính đòi hỏi dữ liệu gán nhãn ban đầu đủ phong phú để ước lượng chính xác ma trận phân tán; hiệu năng có thể suy giảm trên dữ liệu phi cấu trúc hoàn toàn mở (in-the-wild web data).
  3. Chưa tích hợp toàn diện mô hình đa phương thức (Multimodal): Hệ thống tập trung thuần túy vào thông tin thị giác, chưa tích hợp mô hình ngôn ngữ lớn thị giác (Vision-Language Models - VLMs) như CLIP để ánh xạ ngữ nghĩa văn bản - hình ảnh đồng thời.

Chương trình nghiên cứu 5–10 năm tiếp theo được vạch ra rõ ràng:

  • Hướng nghiên cứu 1: Nghiên cứu thuật toán phân cụm phổ xấp xỉ quy mô lớn dựa trên kỹ thuật Nyström hoặc Random Fourier Features để xử lý tập dữ liệu hàng chục triệu ảnh.
  • Hướng nghiên cứu 2: Mở rộng mô hình ODLDA sang các kiến trúc Transformer thị giác (Vision Transformers - ViT) tự giám sát (Self-supervised learning).
  • Hướng nghiên cứu 3: Tích hợp cơ chế phản hồi liên quan chủ động (Active Relevance Feedback) dựa trên học tăng cường (Reinforcement Learning).

Tác động và ảnh hưởng

  • Tác động học thuật: Đóng góp hệ phương pháp luận hoàn chỉnh cho cộng đồng nghiên cứu Thị giác Máy tính và Xử lý Thông tin tại Việt Nam và quốc tế; dự kiến thu hút trích dẫn cao trong các nghiên cứu về Metric Learning và Spectral Clustering ứng dụng trong CBIR.
  • Chuyển đổi công nghiệp: Cung cấp thuật toán lõi có thể nhúng trực tiếp vào các hệ thống quản trị cơ sở dữ liệu đa phương tiện (Multimedia DBMS), các nền tảng thương mại điện tử và các giải pháp quản lý tài nguyên số của doanh nghiệp.
  • Tác động xã hội và an ninh: Ứng dụng trong việc xây dựng hệ sinh thái thư viện số quốc gia, hệ thống tra cứu lưu trữ ảnh viễn thám phục vụ quản lý tài nguyên môi trường, và các hệ thống giám sát an ninh trật tự công cộng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận mô hình toán học chi tiết về sự kết hợp giữa LDA, phân kỳ thông tin và đồ thị phổ; khai thác các research gaps được chỉ ra để mở rộng đề tài tiến sĩ.
  • Kỹ sư R&D Thị giác Máy tính: Nắm vững cấu trúc giải thuật ODLDA và CISE để triển khai các hệ thống tìm kiếm ảnh cục bộ tối ưu hóa chi phí phần cứng.
  • Các tổ chức Lưu trữ và Bảo tàng Số: Ứng dụng giải pháp tra cứu ảnh tự động dựa trên nội dung trực quan mà không phụ thuộc vào công tác phân loại văn bản thủ công.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc thiết lập hàm khoảng cách thích nghi ODLDA, mở rộng thành công Lý thuyết Phân tích Phân biệt Tuyến tính Fisher (LDA) kết hợp phân kỳ thông tin Jeffrey Divergence trong không gian đặc trưng phi tuyến tính, giúp tối ưu hóa tỉ số giữa ma trận phân tán giữa các lớp và nội lớp đối với biểu diễn ảnh trực quan.

2. Đột phá phương pháp luận của nghiên cứu thể hiện qua đâu khi so sánh với các nghiên cứu trước?
Trả lời: So với các phương pháp học khoảng cách trực tuyến như OASIS (Chechik et al., 2010) hay mô hình phân vùng EM của Blobworld (Carson et al., 2002), luận án tạo đột phá bằng việc kết hợp đồng thời ma trận đo thích nghi ODLDA với phân cụm phổ đồ thị CISE/IRIC, giải quyết triệt để vấn đề phân mảnh cụm và duy trì độ chính xác cao trên các phạm vi scope rộng (Scope 50, 100, 150).

3. Phát hiện thực nghiệm nào gây bất ngờ và có ý nghĩa thống kê quan trọng nhất?
Trả lời: Phát hiện về sự bền vững của thuật toán CISE trên tập SIMPLIcity: khi mở rộng scope từ 50 lên 150, trong khi các phương pháp đối chứng suy giảm độ chính xác từ 15% đến 25%, phương pháp của luận án duy trì đường cong suy giảm cực kỳ phẳng với chỉ số ANMRR tiệm cận mức tối ưu, chứng minh khả năng bảo toàn cấu trúc ngữ nghĩa toàn cục của vector riêng.

4. Luận án có cung cấp quy trình tái lặp thực nghiệm (Replication Protocol) chuẩn xác không?
Trả lời: Có. Luận án mô tả chi tiết kích thước cửa sổ trượt $2^k \times 2^k$ ($k=0..5$) cho đặc trưng Tamura, ma trận toán tử gradient $3 \times 3$, công thức giải tích chuẩn xác của phân kỳ Jeffrey, kích thước vector GIST 512D, cùng các tham số phân lớp trên hai bộ dữ liệu công khai Corel (10.800 ảnh) và SIMPLIcity (1.000 ảnh, 10 chủ đề).

5. Lộ trình phát triển nghiên cứu 10 năm tới được định hình như thế nào?
Trả lời: Luận án định hình lộ trình chuyển dịch từ trích xuất đặc trưng tích chập CNN sang kiến trúc Vision Transformer tự giám sát, tích hợp thuật toán phân cụm phổ phân tán trên môi trường điện toán đám mây để xử lý tập dữ liệu quy mô hàng tỷ hình ảnh đa nguồn.

Kết luận

Công trình nghiên cứu của NCS. Nguyễn Thị Lan Phương đã giải quyết xuất sắc bài toán nâng cao hiệu năng tra cứu ảnh theo nội dung với các kết quả cụ thể:

  1. Xây dựng thành công phương pháp tra cứu ảnh ODLDA kết hợp tối ưu giữa khoảng cách thích nghi và phân tích phân biệt tuyến tính.
  2. Thiết lập giải thuật phân cụm phổ CISE và phân cụm tăng dần IRIC dựa trên ma trận vector riêng của đồ thị, tối ưu hóa tốc độ và độ chính xác tìm kiếm.
  3. Chứng minh tính ưu việt vượt trội của phân kỳ Jeffrey so với các độ đo Minkowski và Kullback-Leibler truyền thống trong việc so khớp phân phối đặc trưng.
  4. Kiểm chứng toàn diện trên các tập dữ liệu chuẩn mực Corel (10.800 ảnh) và SIMPLIcity (1.000 ảnh), đạt độ chính xác cao trên các scope 50, 100, 150 và cải thiện đáng kể chỉ số chuẩn hóa MPEG-7 ANMRR.
  5. Đặt nền móng lý thuyết vững chắc cho việc thu hẹp khoảng cách ngữ nghĩa trong thị giác máy tính, mở ra các hướng phát triển quan trọng cho các hệ thống tra cứu đa phương tiện thông minh trong kỷ nguyên dữ liệu lớn.