Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu đa phương tiện, các hệ thống thị giác máy tính và cơ sở dữ liệu quy mô lớn đòi hỏi các giải pháp khai phá thông tin trực quan vừa có độ chính xác cao vừa tối ưu hóa tài nguyên tính toán. Luận án tiến sĩ kỹ thuật với đề tài "Nâng cao độ chính xác tra cứu ảnh dựa vào nội dung sử dụng kỹ thuật điều chỉnh trọng số hàm khoảng cách" của Nghiên cứu sinh Đào Thị Thúy Quỳnh, dưới sự hướng dẫn khoa học của PGS. Ngô Quốc Tạo và PGS. Nguyễn Hữu Quỳnh (thực hiện tại Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam), đại diện cho một bước tiến tiên phong trong lĩnh vực tra cứu ảnh dựa vào nội dung (Content-Based Image Retrieval - CBIR).

Nghiên cứu tập trung giải quyết triệt để vấn đề "khoảng cách ngữ nghĩa" (semantic gap)—khoảng cách giữa các đặc trưng trực quan mức thấp (màu sắc, kết cấu, hình dạng) trích xuất tự động từ điểm ảnh và nhận thức ngữ nghĩa mức cao của người dùng (Smeulders et al., 2000; Datta et al., 2008). Trong các hệ thống CBIR truyền thống, giả thiết đồng nhất không gian giả định rằng các ảnh cùng ngữ nghĩa sẽ phân bố tập trung thành một cụm duy nhất lân cận điểm truy vấn. Tuy nhiên, trong thực tế, các đối tượng cùng một chủ đề ngữ nghĩa (ví dụ: hoa hồng bao gồm hoa hồng đỏ, hoa hồng vàng và hoa hồng trắng) lại phân bố phân tán thành các cụm tách rời, lõm hoặc phi tuyến trong không gian đặc trưng đa chiều.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học cốt lõi:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để từ một ảnh truy vấn đơn lẻ ban đầu có thể khởi tạo tập kết quả bao phủ các vùng ngữ nghĩa rải rác mà không đặt gánh nặng cung cấp đồng thời nhiều ảnh mẫu lên người dùng?
  2. Câu hỏi nghiên cứu 2 (RQ2): Cơ chế phân cụm và cập nhật nào có thể khai thác phản hồi liên quan (Relevance Feedback - RF) để tính toán trọng số ngữ nghĩa của từng điểm truy vấn và độ quan trọng của từng chiều đặc trưng mà không phải phân cụm lại toàn bộ cơ sở dữ liệu từ đầu?
  3. Câu hỏi nghiên cứu 3 (RQ3): Mô hình hàm khoảng cách thích nghi nào có thể tối ưu hóa ma trận trọng số cục bộ cho từng vùng không gian chứa điểm truy vấn thay vì áp đặt một ma trận trọng số toàn cục?

Các giả thuyết nghiên cứu tương ứng:

  • Giả thuyết H1: Việc chuyển đổi ảnh truy vấn sang không gian đa biểu diễn (Color C+, Inverse Color C-, Grayscale G+, Inverse Grayscale G-) sẽ bộc lộ các đặc trưng cấu trúc/kết cấu không bị lấn át bởi màu sắc, cho phép thu nhận các ảnh cùng chủ đề nằm rải rác trong không gian đặc trưng gốc ngay từ lần lặp đầu tiên.
  • Giả thuyết H2: Phân cụm gia tăng (Incremental Clustering - INC) kết hợp thuật toán tính độ quan trọng đặc trưng (Importance of Feature - IF) sẽ cải thiện đáng kể độ chính xác tra cứu trung bình (Average Retrieval Precision - ARP) và giảm thiểu độ phức tạp tính toán so với các thuật toán phân cụm truyền thống.
  • Giả thuyết H3: Xác định điểm truy vấn tối ưu và ma trận trọng số thích nghi (FQM) theo từng cụm cục bộ sẽ tối đa hóa biên phân cách giữa tập mẫu phản hồi dương và âm, giúp hệ thống hội tụ nhanh chóng chỉ sau 1 đến 3 vòng lặp phản hồi.

Khung lý thuyết của nghiên cứu tích hợp lý thuyết phản hồi liên quan (Rocchio, 1971; Rui et al., 1998), lý thuyết Texton của Julesz (1981), lý thuyết vận chuyển tối ưu trong khoảng cách Earth Mover (Rubner et al., 2000) và nguyên lý tối thiểu hóa rủi ro cấu trúc của máy vector hỗ trợ (Vapnik, 1995). Thực nghiệm được tiến hành trên cơ sở dữ liệu ảnh chuẩn Corel với quy mô đánh giá chi tiết trên 34 loại truy vấn đối với thuật toán SRIR và 80 loại truy vấn đối với thuật toán AWEIGHT, kiểm chứng hiệu quả vượt trội về độ chính xác và độ ổn định thống kê.

Literature Review và Positioning

Lịch sử phát triển của hệ thống tra cứu ảnh trải qua hai giai đoạn lớn: tra cứu dựa vào văn bản (Text-Based Image Retrieval - TBIR) và tra cứu ảnh dựa vào nội dung (CBIR). TBIR gán nhãn thủ công bằng từ khóa (Squire et al., 1999; Lu et al., 2000), bộc lộ nhược điểm cố hữu do tính chủ quan của con người, sự không nhất quán giữa các nhà chú thích và chi phí nhân công khổng lồ khi dữ liệu tăng trưởng theo cấp số nhân. CBIR ra đời (Flickner et al., QBIC, 1995; Rui et al., MARS, 1997) giải quyết tự động hóa việc trích xuất vector đặc trưng thị giác mức thấp bao gồm:

  • Màu sắc: Lược đồ màu (Color Histogram), mô men màu bất biến (Xiaoyin, 2007), ma trận đồng hiện màu CCM/MCM (Jhanwar et al., 2004), mã cắt khối BTC (Guoping, 2001) và bộ mô tả màu trội MPEG-7 DCD (Hong et al., 2006).
  • Kết cấu: Lọc Gabor đa hướng (Lianping et al., 2009; Manjunath & Ma, 1996), biến đổi Wavelet DWT, ma trận đồng hiện mức xám GLCM (Haralick et al., 1973), bộ mô tả cấu trúc nhỏ micro-structures (Liu et al., 2011) và lược đồ màu kết cấu mờ (Chatzichristofis et al., 2008).
  • Hình dạng: Mô men Pseudo-Zernike (PZM) bất biến quay (Teague, 1980; Xiang-Yang et al., 2011), bộ mô tả hình học Shape Google trên nhân toán tử Laplace-Beltrami (Bronstein et al., 2011; Ovsjanikov et al., 2009) và khoảng cách vận chuyển Earth Mover's Distance trong tọa độ cực (Shu et al., 2011).

Trong nỗ lực thu hẹp khoảng cách ngữ nghĩa, các học giả quốc tế đã chia thành hai luồng quan điểm đối lập trong mô hình hóa phản hồi liên quan:

Nghiên cứu của Đào Thị Thúy Quỳnh định vị chính xác vào khoảng trống nghiên cứu (research gap) cốt lõi giữa hai trường phái trên:

  1. So với nghiên cứu đa truy vấn hạt giống của Jin & French (2003) và mô hình phân cụm phổ CLUE (Chen et al., 2005), phương pháp đề xuất không bắt buộc người dùng cung cấp đa truy vấn ngay từ đầu mà tự động phân rã đơn truy vấn thành 4 không gian biểu diễn trực quan để tìm kiếm hạt giống đa vùng.
  2. Khắc phục hạn chế của mô hình FALCOM (Mani et al., 2001) và MindReader (Ishikawa et al., 1998) vốn áp dụng một ma trận khoảng cách thống nhất cho toàn bộ không gian, luận án đề xuất cấu trúc gán trọng số thích nghi cục bộ theo từng cụm ngữ nghĩa phản hồi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và định hình lại các lý thuyết nền tảng trong hệ thống tương tác người - máy và xử lý ảnh số:

  • Phát triển lý thuyết dịch chuyển truy vấn của Rocchio (1971): Thay vì quy tụ tuyến tính tất cả mẫu phản hồi về một tâm điểm trọng số $\mathbf{q}{new} = \alpha \mathbf{q}0 + \beta \frac{1}{|D_R|}\sum{\mathbf{x} \in D_R} \mathbf{x} - \gamma \frac{1}{|D{NR}|}\sum_{\mathbf{x} \in D_{NR}} \mathbf{x}$, nghiên cứu chứng minh rằng khi không gian mẫu phản hồi $D_R$ phân tách thành $k$ cụm ngữ nghĩa rời rạc, điểm tối ưu phải được tối ưu hóa cục bộ trên từng đa tạp con.
  • Mô hình hóa toán học cho truy vấn đa điểm rời rạc: Định nghĩa một cấu trúc hình thức cho truy vấn đa điểm: $$\mathcal{MQ} = \langle n_{MQ}, P_{MQ}, W_{MQ}, D_{MQ}, DB, k \rangle$$ Trong đó $n_{MQ}$ là số lượng điểm truy vấn, $P_{MQ} = {p_{MQ1}, \dots, p_{MQn}}$ là tập hợp các điểm đại diện cụm, $W_{MQ} = {w_{MQ1}, \dots, w_{MQn}}$ là tập trọng số ngữ nghĩa chuẩn hóa thỏa mãn $\sum_{i=1}^{n_{MQ}} w_{MQi} = 1$, $D_{MQ}$ là hàm khoảng cách cải tiến và $k$ là số lượng ảnh trả về.
  • Chuyển dịch mô thức (Paradigm Shift): Từ bỏ giả định không gian metric phẳng cố định (Euclidean space) để thiết lập không gian metric biến thiên theo ngữ cảnh phản hồi, trong đó độ đo khoảng cách phản ánh cấu trúc tương quan địa phương giữa các chiều đặc trưng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Lý thuyết không gian đa biểu diễn, Lý thuyết phân cụm gia tăng không giám sát và Lý thuyết tối ưu hóa trọng số hàm khoảng cách thích nghi:

  • Không gian đa biểu diễn (Multi-representation Mapping): Với một ảnh đầu vào $I$, hệ thống ánh xạ thành 4 biểu diễn: màu gốc ($C^+$), âm bản màu ($C^-$), ảnh xám ($G^+$) và âm bản ảnh xám ($G^-$). Không gian $G^+$ triệt tiêu sự thống trị của phân bố sắc độ, giải phóng các đặc trưng cạnh và kết cấu vi mô (micro-texture), tạo điều kiện cho các thuật toán so khớp thu được các mẫu cùng thực thể nhưng khác sắc thái (như hoa hồng đỏ và hoa hồng vàng).
  • Điều kiện biên (Boundary Conditions): Phương pháp duy trì hiệu năng vượt trội trong điều kiện cơ sở dữ liệu ảnh tổng quát, không chứa nhãn ngữ nghĩa định sẵn, và người dùng tương tác trong khoảng từ 1 đến 3 chu kỳ phản hồi ngắn hạn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp phương pháp luận diễn dịch - thực nghiệm định lượng cao cấp. Quy trình kiểm chứng giải thuật được thiết kế chặt chẽ qua hai giai đoạn:

Quy trình nghiên cứu rigorous

Quy trình xử lý dữ liệu và thuật toán phản hồi liên quan vận hành qua các bước giải tích cụ thể:

  1. Thuật toán phân cụm gia tăng (Incremental Clustering - INC): Thay vì áp dụng $K$-means truyền thống yêu cầu tái phân cụm toàn bộ không gian với độ phức tạp $\mathcal{O}(n \cdot k \cdot I)$, giải thuật INC thực hiện gán các mẫu phản hồi mới vào các cụm đã tồn tại dựa trên ngưỡng khoảng cách cực tiểu $T_{dist}$, hoặc tự động phân nhánh tạo cụm mới khi khoảng cách vượt ngưỡng: $$d(x_{new}, C_j) = \min_{p \in C_j} D(x_{new}, p) > T_{dist} \implies C_{new} = {x_{new}}$$ Cơ chế này loại bỏ hoàn toàn độ trễ tính toán trong các vòng lặp phản hồi trực tuyến.

  2. Thuật toán tính độ quan trọng đặc trưng (Importance of Feature - IF): Đối với mỗi chiều đặc trưng $j$ trong cụm $C_k$, độ quan trọng $IF_j$ được tính tỷ lệ nghịch với độ lệch chuẩn $\sigma_j^{(k)}$ của các mẫu dương trong cụm đó: $$IF_j^{(k)} = \frac{1}{\sigma_j^{(k)} + \epsilon} \cdot \left(\sum_{m=1}^{d} \frac{1}{\sigma_m^{(k)} + \epsilon}\right)^{-1}$$ Các chiều đặc trưng có độ phân tán nhỏ (độ tập trung cao) được tự động gán trọng số lớn hơn, phản ánh chính xác thuộc tính bất biến của chủ đề ảnh.

  3. Tính toán trọng số ngữ nghĩa của truy vấn ($w_{MQi}$): Trọng số của điểm truy vấn $p_{MQi}$ đại diện cho cụm $C_i$ được định lượng hóa dựa trên kích thước cụm và mật độ lân cận: $$w_{MQi} = \frac{|C_i|}{\sum_{j=1}^{n_{MQ}} |C_j|}$$

  4. Hàm khoảng cách cải tiến đa chiều: Khoảng cách tổng hợp có trọng số giữa ảnh cơ sở dữ liệu $x$ và tập truy vấn đa điểm $\mathcal{MQ}$: $$D_{MQ}(x, \mathcal{MQ}) = \sum_{i=1}^{n_{MQ}} w_{MQi} \left[ \sum_{j=1}^{d} IF_j^{(i)} \cdot |x_j - p_{MQi,j}|^r \right]^{\frac{1}{r}}$$

Data và phân tích

Nghiên cứu sử dụng tập dữ liệu chuẩn quốc tế Corel Photo Gallery với hàng nghìn ảnh thuộc các chủ đề phong phú (thiên nhiên, động vật, kiến trúc, hoa cỏ). Hệ thống phần mềm thực nghiệm được xây dựng hoàn chỉnh trên nền tảng .NET/C# với các mô-đun giao diện chuyên dụng:

  • frm_Class_Images, frm_Type_of_Features, frm_Images_Database: Quản trị dữ liệu và cấu hình loại đặc trưng.
  • frm_Trainning, frm_Features: Trích xuất và huấn luyện vector đặc trưng ngoại tuyến.
  • frm_Aweight, Giao diện bước biến đổi ảnh và tra cứu đa biểu diễn, Giao diện phân cụm và gộp kết quả tra cứu: Thực thi tra cứu thời gian thực.

Độ tin cậy của thuật toán được đo lường thông qua độ chính xác trung bình (Average Retrieval Precision - ARP) trên tập mẫu kiểm thử lớn: $$ARP = \frac{1}{|Q|} \sum_{q \in Q} \left( \frac{1}{K} \sum_{k=1}^{K} \text{rel}(R_k) \right)$$ Trong đó $|Q|$ là tổng số truy vấn đánh giá (34 chủ đề ở Chương 2 và 80 chủ đề ở Chương 3), $K$ là số lượng ảnh trả về hiển thị cho người dùng, $\text{rel}(R_k) \in {0, 1}$ là chỉ báo nhãn chính xác của ảnh thứ $k$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Các kết quả thực nghiệm mang tính bước ngoặt được ghi nhận từ dữ liệu nghiên cứu:

  1. Khả năng bao phủ cụm ngữ nghĩa đa dạng: Phương pháp SRIR chỉ cần một ảnh truy vấn khởi tạo duy nhất đã đạt độ chính xác khởi tạo vượt trội so với phương pháp JF (vốn đòi hỏi người dùng phải cung cấp đồng thời 3–5 ảnh hạt giống thuộc các màu sắc khác nhau).
  2. Tốc độ hội tụ và tối ưu hóa thời gian thực: Thuật toán phân cụm gia tăng INC giảm 68.5% thời gian tính toán trong pha phản hồi so với thuật toán $K$-means và phân cụm phổ N_Cut, trong khi vẫn đảm bảo độ thuần khiết của cụm (Cluster Purity).
  3. Hiệu năng vượt bậc của ma trận trọng số thích nghi (AWEIGHT): Trên tập thực nghiệm 80 loại truy vấn qua 3 vòng lặp phản hồi, AWEIGHT đạt độ chính xác trung bình ARP lên tới 84.60%, vượt trội có ý nghĩa thống kê so với các biến thể Aweight_WLNR, Aweight_WIDF và giải thuật FGSSH.
  4. Tính ổn định của nhận thức trực quan: Thử nghiệm so sánh độ chính xác giữa tập gán nhãn thực tế (Ground Truth) và nhận thức trực quan thực tế từ người dùng sinh viên cho thấy độ lệch chuẩn $\sigma < 0.035$, chứng minh tính tương thích cao của mô hình với nhận thức thị giác tự nhiên của con người.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp cơ sở toán học vững chắc khẳng định rằng không gian đặc trưng thị giác trong CBIR là không gian đa cụm không đồng nhất; việc tối ưu hóa hàm khoảng cách phải gắn liền với cấu trúc hình học địa phương của từng cụm.
  • Về mặt phương pháp luận: Thiết lập quy trình trích xuất đa biểu diễn ($C^+, C^-, G^+, G^-$) như một kỹ thuật tiền xử lý phổ quát, có thể áp dụng cho các hệ thống phân loại, nhận dạng mẫu và thị giác máy tính khác.
  • Về mặt ứng dụng thực tiễn: Tạo ra giải pháp phần mềm hoàn chỉnh cho phép tích hợp trực tiếp vào các hệ thống quản trị cơ sở dữ liệu ảnh quy mô lớn mà không yêu cầu cấu hình phần cứng đắt tiền hay gán nhãn dữ liệu huấn luyện thủ công trước.

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu mang tính khách quan:

  1. Ranh giới không gian màu và cấu trúc biến đổi: Bốn biểu diễn được chọn lọc ($C^+, C^-, G^+, G^-$) phát huy hiệu quả cao trên các chủ đề có sự phân hóa mạnh về màu sắc và cấu trúc hình học rõ nét; tuy nhiên, đối với các đối tượng có độ biến dạng hình thái phi cấu trúc cực lớn, hiệu quả phân ly cần được bổ trợ thêm.
  2. Quy mô tập dữ liệu thực nghiệm: Mặc dù cơ sở dữ liệu Corel là chuẩn mực kinh điển trong đánh giá CBIR, các tập dữ liệu ảnh hiện đại với độ phân giải siêu cao (Ultra HD) và dữ liệu ảnh mạng xã hội có mức độ nhiễu phức tạp hơn chưa được khảo sát toàn diện.
  3. Sự phụ thuộc vào chu kỳ phản hồi của người dùng: Hiệu năng tối đa của hệ thống phụ thuộc vào sự tương tác tích cực của người dùng qua 1–3 chu kỳ phản hồi; nếu người dùng từ chối phản hồi, hệ thống chỉ dừng lại ở hiệu năng của pha tra cứu khởi tạo đa biểu diễn.

Chương trình nghiên cứu tiếp nối trong giai đoạn 5–10 năm tới bao gồm:

  • Tích hợp mạng nơ-ron tích chập sâu (Deep CNNs) và mô hình Transformer thị giác (Vision Transformers - ViT) để trích xuất đặc trưng ngữ nghĩa tự động kết hợp với cơ chế trọng số thích nghi AWEIGHT.
  • Mở rộng thuật toán thích nghi trên các cơ sở dữ liệu ảnh đa phương thức (kết hợp văn bản, giọng nói và ảnh) và dữ liệu ảnh y tế 3D (DICOM, MRI, CT-scanner).
  • Xây dựng thuật toán phân cụm gia tăng phân tán trên kiến trúc điện toán đám mây để xử lý các tập dữ liệu ảnh quy mô hàng tỷ đối tượng.

Tác động và ảnh hưởng

  • Tác động học thuật: Công trình công bố các bài báo khoa học chất lượng cao trên các tạp chí và kỷ yếu hội nghị chuyên ngành (ký hiệu [CT5], [CT6] trong danh mục công trình của tác giả), đóng góp tài liệu tham khảo giá trị cho cộng đồng nghiên cứu xử lý ảnh, thị giác máy tính và hệ thống tìm kiếm thông tin thông minh.
  • Chuyển đổi công nghiệp & ứng dụng chuyên ngành:
    • Y tế & Chẩn đoán hình ảnh: Hỗ trợ bác sĩ tra cứu các bệnh án hình ảnh tương đồng (X-quang, mô bệnh học) với các biến thể màu sắc nhuộm khác nhau nhưng cùng chung tổn thương bệnh lý.
    • Viễn thám & Địa lý không gian: Tìm kiếm các vùng địa hình, thảm thực vật hoặc khu vực đô thị trên ảnh vệ tinh đa phổ rải rác ở các kinh độ/vĩ độ khác nhau.
    • Thương mại điện tử & Thời trang: Cho phép người tiêu dùng tìm kiếm các sản phẩm có cùng kiểu dáng thiết kế nhưng đa dạng về màu sắc và chất liệu chỉ từ một hình ảnh mẫu duy nhất.
    • An ninh & Phòng chống tội phạm: Tra cứu nhận dạng phương tiện, hiện trường hoặc tang vật trong các điều kiện ánh sáng và góc chụp biến đổi.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giới học thuật: Tiếp cận mô hình toán học hoàn chỉnh về truy vấn đa điểm, thuật toán phân cụm gia tăng INC và kỹ thuật điều chỉnh trọng số cục bộ thích nghi FQM.
  • Kỹ sư R&D phần mềm thị giác máy tính: Ứng dụng mã nguồn, kiến trúc hệ thống và quy trình trích xuất đặc trưng đa biểu diễn vào việc tối ưu hóa các công cụ tìm kiếm ảnh thương mại.
  • Các tổ chức y tế và lưu trữ di sản: Sở hữu giải pháp công nghệ hiệu quả để đánh chỉ số, phân loại và khai thác khối lượng khổng lồ dữ liệu tư liệu ảnh mà không cần kinh phí khổng lồ cho việc gán nhãn thủ công.

Câu hỏi chuyên sâu

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

Đóng góp độc đáo nhất là mô hình toán học xác định điểm truy vấn tối ưu kết hợp ma trận trọng số thích nghi địa phương (FQM trong thuật toán AWEIGHT). Luận án đã mở rộng căn bản lý thuyết dịch chuyển truy vấn Rocchio (1971) và mô hình MindReader (Ishikawa et al., 1998) bằng cách bác bỏ giả thiết ma trận trọng số đồng nhất toàn cầu, chứng minh bằng giải tích rằng mỗi cụm ngữ nghĩa phản hồi sở hữu một tensor metric khoảng cách riêng biệt tương ứng với phân bố hình học của các mẫu dương cục bộ.

2. Phương pháp luận của luận án có gì đổi mới khi so sánh với các nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Jin & French (2003) (phương pháp JF yêu cầu người dùng nhập đa truy vấn cùng lúc) và Chen et al. (2005) (mô hình CLUE dùng phân cụm phổ N_Cut tốn kém chi phí tính toán), phương pháp của luận án đề xuất cơ chế tự động chuyển đổi đơn truy vấn thành 4 không gian biểu diễn ($C^+, C^-, G^+, G^-$) để tự sinh tập hạt giống đa vùng, đồng thời áp dụng giải thuật phân cụm gia tăng INC giúp giảm $68.5%$ thời gian thực thi trong mỗi vòng lặp phản hồi.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là biểu diễn ảnh xám ($G^+$) và âm bản ảnh xám ($G^-$) lại đóng vai trò quyết định trong việc khôi phục các ảnh cùng chủ đề ngữ nghĩa nhưng khác màu sắc. Bằng việc triệt tiêu sự chi phối của phân bố lược đồ màu sắc, các đặc trưng cạnh và kết cấu vi mô trong không gian $G^+$ đã kết nối thành công các cụm ảnh hoa hồng đỏ, hoa hồng trắng và hoa hồng vàng vào cùng một không gian lân cận metric với độ chính xác nhận diện tăng vọt $22.7%$ so với chỉ tra cứu trên không gian màu gốc $C^+$.

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

Hoàn toàn đầy đủ. Luận án mô tả chi tiết kiến trúc hệ thống, công thức toán học tường minh từ phương trình (1.1) đến (1.14), danh mục giao diện thực thi chi tiết (frm_Class_Images, frm_Type_of_Features, frm_Images_Database, frm_Upload_Images, frm_Trainning, frm_Features, frm_Aweight), cùng quy trình tham số hóa cụ thể trên cơ sở dữ liệu ảnh chuẩn Corel, cho phép cộng đồng nghiên cứu tái lập chính xác toàn bộ kết quả thực nghiệm.

5. Định hướng nghiên cứu 10 năm được hoạch định như thế nào?

Định hướng dài hạn tập trung vào việc dung hợp mô hình trọng số thích nghi AWEIGHT với kiến trúc học sâu đa phương thức (Multimodal Deep Learning / CLIP / Vision-Language Models), chuyển đổi thuật toán INC sang môi trường tính toán song song phân tán (GPU Cluster / Apache Spark) để xử lý dữ liệu ảnh thời gian thực ở quy mô Petabyte, và ứng dụng chuyên sâu vào hệ thống hỗ trợ chẩn đoán y tế tự động (Computer-Aided Diagnosis).

Kết luận

Công trình nghiên cứu tiến sĩ của NCS. Đào Thị Thúy Quỳnh đã giải quyết trọn vẹn và xuất sắc mục tiêu khoa học đề ra thông qua các đóng góp cụ thể:

  1. Giải quyết triệt để nghịch lý đơn truy vấn: Phát triển kỹ thuật chuyển đổi đa biểu diễn ($C^+, C^-, G^+, G^-$), cho phép từ một ảnh truy vấn duy nhất có thể trích xuất chính xác các ảnh liên quan ngữ nghĩa phân bố rải rác ở các vùng không gian đặc trưng tách rời.
  2. Sáng tạo thuật toán phân cụm gia tăng (INC) tối ưu hóa thời gian thực: Loại bỏ nhu cầu phân cụm lại toàn bộ tập dữ liệu qua mỗi vòng lặp phản hồi, giảm thiểu độ phức tạp tính toán và đáp ứng hoàn hảo yêu cầu tương tác trực tuyến.
  3. Đề xuất công thức định lượng độ quan trọng đặc trưng (IF) và trọng số ngữ nghĩa truy vấn ($W_i$): Tự động điều chỉnh độ ưu tiên cho từng chiều dữ liệu và từng điểm truy vấn đại diện theo cấu trúc phân bố của các mẫu phản hồi tích cực.
  4. Xây dựng thuật toán ma trận trọng số thích nghi địa phương (AWEIGHT): Tối ưu hóa hàm khoảng cách theo từng cụm cụ thể, nâng độ chính xác tra cứu trung bình ARP lên $84.60%$ trên tập dữ liệu chuẩn 80 loại truy vấn.
  5. Mở ra các hướng nghiên cứu liên ngành đột phá: Thiết lập nền tảng tích hợp cho các hệ thống thị giác máy tính, phân tích dữ liệu y tế, quản trị tài nguyên số và an ninh quốc gia trong kỷ nguyên trí tuệ nhân tạo.