Tổng quan về luận án

Bài toán theo bám đơn đối tượng trực quan (Visual Object Tracking - VOT) là một trong những trụ cột cốt lõi của thị giác máy tính hiện đại, đóng vai trò nền tảng trong việc tái tạo và tự động hóa hệ thống thị giác nhân tạo. Trong bối cảnh khoa học kỹ thuật phát triển nhanh chóng, VOT đối mặt với những đòi hỏi khắt khe về độ chính xác định vị và hiệu năng thời gian thực để phục vụ các ứng dụng chiến lược: giám sát an ninh mặt đất và trên không, điều hướng tên lửa tự dẫn, chỉ thị mục tiêu từ máy bay không người lái (Unmanned Aerial Vehicle - UAV), cảnh báo phòng thủ chống UAV (Anti-UAV), giao thông thông minh và xe tự hành. Luận án tiến sĩ toán học của nghiên cứu sinh Hoàng Đình Thắng với tiêu đề "Nghiên cứu, phát triển một số kỹ thuật theo bám đối tượng dựa trên kiến trúc mạng Siamese" thuộc chuyên ngành Cơ sở toán học cho tin học (Mã số: 9.10) tại Viện Khoa học và Công nghệ quân sự, dưới sự hướng dẫn khoa học của TS. Trần Quốc Long và TS. Thái Trung Kiên, đã tiếp cận và giải quyết các bài toán biên của lĩnh vực theo bám đối tượng trong video.

Khoảng trống nghiên cứu (research gap) trọng tâm được xác định xuất phát từ những giới hạn nội tại của các phương pháp học sâu đương đại:

  1. Các mô hình dựa trên mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) truyền thống như MDNet (Nam & Han, 2016) hay ECO (Danelljan et al., 2017) tuy đạt độ chính xác cao nhưng tiêu tốn tài nguyên tính toán lớn do phải cập nhật tham số trực tuyến (online updating), làm suy giảm tốc độ xử lý dưới ngưỡng thời gian thực ($< 30$ FPS).
  2. Các mạng Siamese kinh điển (SiamFC - Bertinetto et al., 2016; SiamRPN - Li et al., 2018) phụ thuộc nặng nề vào các khung neo định sẵn (anchor-based), đòi hỏi tinh chỉnh thủ công các siêu tham số về kích thước và tỷ lệ co giãn ($s_i, r_j$), dẫn đến độ nhạy cảm cao với sự biến dạng hình học và gia tăng chi phí tính toán không gian mẫu.
  3. Cơ chế tự tập trung (Self-Attention) chuẩn hóa softmax trong kiến trúc Transformer nguyên bản (Vaswani et al., 2017; Chen et al., 2021) có độ phức tạp bậc hai $\mathcal{O}(T^2)$ theo chiều dài chuỗi token $T$, gây nghẽn cổ chai nghiêm trọng về bộ nhớ và thông lượng xử lý khi tích hợp vào các tác vụ video thời gian thực.
  4. Hiện tượng suy giảm tính phân biệt đặc trưng và trôi dạt theo bám (tracking drift) khi đối tượng mục tiêu chịu tác động của 11-14 thuộc tính thách thức khắc nghiệt: che lấp hoàn toàn (Full Occlusion - FOC), biến dạng phi tuyến (Deformation - DEF), chuyển động nhanh (Fast Motion - FM), xoay ngoài mặt phẳng (Out-of-Plane Rotation - OPR), nền lộn xộn (Background Clutter - BC), độ tương phản thấp trong ảnh hồng ngoại (Low Contrast / Thermal IR).

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

  • RQ1 / H1: Làm thế nào để xây dựng mô hình Siamese chuyên biệt cho video hồng ngoại nhiệt có khả năng phát hiện và theo dõi UAV biến động kích thước cực hạn và lẫn vào nền phức tạp? Luận án giả thuyết rằng việc tối ưu hóa hàm mất mát phân biệt kết hợp với chiến lược tiền xử lý và suy luận thích ứng sẽ cải thiện vượt bậc độ chính xác trung bình ($acc$) trên dữ liệu nhiệt.
  • RQ2 / H2: Liệu việc loại bỏ hoàn toàn khung neo (anchor-free) kết hợp cơ chế tập trung không gian/kênh (Attention Feature Enhancement - AFE) có thể giải phóng mô hình khỏi các siêu tham số định sẵn mà vẫn duy trì tính bất biến dịch chuyển? Giả thuyết cho rằng biểu diễn điểm ảnh (point representation) kết hợp cơ chế tập trung sẽ tối ưu hóa tốc độ và độ bền vững trước biến dạng tỷ lệ.
  • RQ3 / H3: Có thể tuyến tính hóa cơ chế tự tập trung trong Transformer để đạt độ phức tạp tuyến tính $\mathcal{O}(T)$ trên kiến trúc mạng Siamese mà không làm suy giảm độ chính xác không gian? Luận án giả thuyết rằng việc áp dụng bản đồ đặc trưng nhân hóa (kernel feature map) sẽ giải quyết trọn vẹn điểm nghẽn tính toán $\mathcal{O}(T^2)$, cho phép tương tác đặc trưng sâu giữa nhánh mẫu (template) và nhánh tìm kiếm (search) ở tốc độ thời gian thực vượt trội.
  • RQ4 / H4: Liệu một mạng chuyển đổi tuyến tính đa tầng có thể đóng vai trò tinh chỉnh (refinement tracker) nhằm tăng cường hiệu năng tổng thể của một trình theo bám cơ sở bất kỳ?

Khung lý thuyết của công trình tích hợp lý thuyết tối ưu hóa phi tuyến, học biểu diễn phân biệt (Discriminative Metric Learning), lý thuyết tương quan chéo sâu rộng (Depthwise Cross-Correlation - DW-Xcorr) và cơ chế tập trung nhân hóa tuyến tính. Phạm vi thực nghiệm của luận án bao quát 6 bộ dữ liệu chuẩn quốc tế với quy mô hàng triệu khung hình: Anti-UAV (100 video hồng ngoại chuyên dụng), OTB100 (100 chuỗi video, 59K frames), UAV123 (123 video flycam HD, 113K frames), VOT2018/VOT2019 (60 chuỗi đa thử thách), GOT-10k (hơn 10.000 video, 1,5 triệu frames bao phủ 563 lớp đối tượng) và LaSOT (1.400 video dài, 3,5 triệu frames với 70 danh mục). Ý nghĩa khoa học đột phá thể hiện qua việc công bố các kiến trúc mạng mới (TrackingUAV, SiamAPN, SiamAAM, SiamTLT, TrackerLT) đạt hiệu năng dẫn đầu (state-of-the-art) trên các bảng xếp hạng học thuật quốc tế.

Literature Review và Positioning

Lịch sử phát triển của bài toán theo bám đối tượng trực quan trải qua hai giai đoạn chuyển dịch mô hình (paradigm shift) rõ rệt: kỷ nguyên tiền học sâu dựa trên các đặc trưng thủ công (hand-crafted features) và kỷ nguyên bùng nổ của mạng nơ-ron học sâu (Deep Learning - DL).

                      [Lịch sử phát triển VOT]
                                 │
     ┌───────────────────────────┴───────────────────────────┐
     ▼                                                       ▼
[Phương pháp Truyền thống]                              [Phương pháp Học sâu]
  - DCF (Bolme 2010, Henriques 2015)                     - CNN đa miền (MDNet 2016)
  - Đặc trưng HOG, Color Names                           - Phân loại trực tuyến (ATOM, DiMP)
  - Giới hạn: Biến dạng lớn, nền nhiễu                   - SNN (SiamFC, SiamRPN++, SiamBAN)
                                                         - Linear Transformer (SiamTLT, TrackerLT)

Ở nhánh phương pháp truyền thống, các bộ lọc tương quan phân biệt (Discriminative Correlation Filters - DCF) như MOSSE (Bolme et al., 2010), KCF (Henriques et al., 2015) và SAMF (Li & Zhu, 2014) thống trị nhờ tốc độ tính toán siêu nhanh thông qua phép biến đổi Fourier nhanh (FFT) trong miền tần số. Các thuật toán này chủ yếu kết hợp biểu đồ độ dốc có định hướng (Histogram of Oriented Gradients - HOG) của Dalal & Triggs (2005) với không gian Tên-Màu (Color Names - CN) từ Van de Weijer et al. (2009). Tuy nhiên, Danelljan et al. (2017) với mô hình ECO đã chỉ ra rằng các đặc trưng thủ công hoàn toàn bất lực trước những biến thể phức tạp về hình học phi tuyến, độ rọi thay đổi đột ngột và hiện tượng che lấp kéo dài.

Sự trỗi dậy của mạng nơ-ron tích chập (CNN) đã mở ra nhánh nghiên cứu thứ hai. Nam & Han (2016) đề xuất mạng MDNet sử dụng học đa miền (multi-domain learning) kết hợp các lớp tích chập chia sẻ và các nhánh phân loại chuyên biệt cho từng video. Tiếp nối hướng đi này, nhóm nghiên cứu tại Đại học ETH Zurich đã liên tục thiết lập các chuẩn mực mới: Danelljan et al. (2019) với ATOM tách biệt bài toán thành phân loại mục tiêu trực tuyến bằng hàm tối ưu bậc hai Gauss-Newton và ước lượng khung bao ngoại tuyến bằng mạng IoU-Net; Bhat et al. (2019) phát triển DiMP tối ưu hóa hàm mất mát phân biệt theo quy trình lặp dốc dốc (steepest descent) từ đầu đến cuối; Danelljan et al. (2020) hoàn thiện PrDiMP dựa trên hồi quy mật độ xác suất và giảm thiểu phân kỳ Kullback-Leibler. Mặc dù các mô hình này đạt độ bền vững (robustness) rất cao, nhưng việc tối ưu trực tuyến đòi hỏi tính toán gradient liên tục trong quá trình suy luận, gây hạn chế nghiêm trọng về thông lượng xử lý thời gian thực.

Nhánh tiếp cận thứ ba – mạng nơ-ron Siamese (Siamese Neural Networks - SNN) – giải quyết bài toán theo dõi như một tác vụ so khớp tương đồng (similarity metric learning) thuần túy ngoại tuyến. SiamFC (Bertinetto et al., 2016) đặt nền móng với việc tính toán tương quan chéo giữa nhánh ảnh mẫu $z$ và nhánh vùng tìm kiếm $x$: $$f(z, x) = \varphi(z) \star \varphi(x) + b \cdot \mathbb{I}$$ Li et al. (2018) nâng cấp thành SiamRPN bằng cách tích hợp mạng đề xuất vùng (Region Proposal Network - RPN) từ Faster R-CNN (Ren et al., 2015). Sau đó, SiamRPN++ (Li et al., 2019) phá vỡ rào cản bất biến dịch chuyển của ResNet-50 (He et al., 2016) thông qua cơ chế lấy mẫu ngẫu nhiên dịch chuyển tâm và tương quan chéo sâu-rộng (DW-Xcorr). Nhằm loại bỏ nhược điểm của các khung neo (anchor boxes), SiamBAN (Chen et al., 2020) và SiamCAR (Guo et al., 2020) tiên phong áp dụng kiến trúc không dùng khung neo (anchor-free), dự đoán trực tiếp khoảng cách biên $(l, t, r, b)$ tại từng điểm ảnh.

Song song đó, sự xuất hiện của Transformer trong thị giác máy tính qua Vision Transformer (Dosovitskiy et al., 2020) và TransT (Chen et al., 2021) đã chứng minh khả năng mô hình hóa quan hệ tầm xa vượt trội của cơ chế chú ý. Tuy nhiên, tính toán ma trận chú ý softmax: $$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{D}}\right)V$$ lại tiêu tốn chi phí $\mathcal{O}(T^2)$.

Định vị học thuật của luận án: Luận án của NCS. Hoàng Đình Thắng định vị tại điểm giao thoa đột phá: chuyển hóa kiến trúc Siamese từ không gian có khung neo sang không gian không khung neo kết hợp cơ chế tập trung (SiamAPN, SiamAAM), đồng thời tiên phong thay thế cơ chế softmax attention nặng nề bằng mạng chuyển đổi tuyến tính (Linear Transformer) đạt độ phức tạp $\mathcal{O}(T)$ (SiamTLT, TrackerLT). Khi đối chiếu trực tiếp với các nghiên cứu quốc tế hàng đầu như DiMP (Bhat et al., CVPR 2019), SiamRPN++ (Li et al., CVPR 2019) và TransT (Chen et al., CVPR 2021), các mô hình đề xuất trong luận án không chỉ duy trì độ chính xác tương đương hoặc vượt trội trên các bộ dữ liệu UAV123, VOT2018 và Anti-UAV, mà còn tăng tốc độ thực thi lên gấp 1,5 đến 2 lần, hoàn toàn thỏa mãn tiêu chuẩn khắt khe của các hệ thống giám sát quân sự và dân sự thời gian thực.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại 4 đóng góp lý thuyết nền tảng cho chuyên ngành Cơ sở toán học cho tin học và thị giác máy tính:

  1. Mở rộng lý thuyết Metric Learning trên không gian điểm không khung neo (Anchor-Free Point Representation): Luận án chứng minh một cách chặt chẽ rằng bài toán theo bám đối tượng có thể được mô hình hóa thành bài toán phân loại nhị phân và hồi quy khoảng cách dày đặc tại từng vị trí điểm ảnh $(x, y)$ trên bản đồ đặc trưng tương quan chéo. Bằng cách định nghĩa véc-tơ mục tiêu 4 chiều $t^* = (l^, t^, r^, b^)$ biểu diễn khoảng cách từ điểm ảnh đến bốn cạnh của khung bao thực tế: $$l^* = x - x_0^{(gt)}, \quad t^* = y - y_0^{(gt)}, \quad r^* = x_1^{(gt)} - x, \quad b^* = y_1^{(gt)} - y$$ kết hợp với hàm mất mát độ tập trung tâm (Center-ness Loss): $$\text{Center-ness}^* = \sqrt{\frac{\min(l^, r^)}{\max(l^, r^)} \times \frac{\min(t^, b^)}{\max(t^, b^)}}$$ mô hình loại bỏ hoàn toàn sự phụ thuộc vào tập khung neo nhân tạo, loại bỏ triệt để thiên kiến hình học (geometric bias) do con người gán định.

  2. Hình thức hóa cơ chế tập trung tuyến tính trong mạng nơ-ron Siamese: Luận án mở rộng lý thuyết xấp xỉ nhân (kernel approximation) của Katharopoulos et al. (2020) và Schlag et al. (2021) vào không gian xử lý tương quan hai luồng. Bằng cách thay thế hàm phi tuyến softmax bằng tích vô hướng của các ánh xạ đặc trưng $\kappa(Q_i, K_j) = \phi(Q_i)\phi(K_j)^T$, biểu thức tự tập trung được chuyển hóa từ: $$V_i' = \frac{\sum_{j=1}^N \exp(Q_i K_j^T / \sqrt{D}) V_j}{\sum_{j=1}^N \exp(Q_i K_j^T / \sqrt{D})}$$ sang cấu trúc tuyến tính tận dụng tính kết hợp của phép nhân ma trận: $$V_i' = \frac{\phi(Q_i) \sum_{j=1}^N \phi(K_j)^T V_j}{\phi(Q_i) \sum_{j=1}^N \phi(K_j)^T}$$ với ánh xạ $\phi(x) = \text{elu}(x) + 1$ hoặc ánh xạ trực giao $\phi_i(x) = \text{ReLU}([x, -x])i \text{ReLU}([x, -x]){i+1}$. Phép biến đổi toán học này giảm độ phức tạp thời gian và bộ nhớ từ $\mathcal{O}(T^2)$ xuống $\mathcal{O}(T)$, tạo tiền đề lý thuyết vững chắc cho việc nhúng cơ chế chú ý toàn cục vào các luồng dữ liệu thời gian thực.

  3. Thiết lập mô hình tương tác đặc trưng chéo hai chiều (Dual Cross-Encoder Layer - CAL): Khác với phép tương quan chéo đơn hướng truyền thống làm mất mát thông tin ngữ cảnh, luận án đề xuất mô hình giải tích cho phép luồng thông tin từ nhánh mẫu $z$ và nhánh tìm kiếm $x$ liên tục điều chế và tăng cường lẫn nhau thông qua các lớp Self-Encoder Layer (SEL) và Cross-Encoder Layer (CAL) nối tiếp, tối đa hóa khoảng cách phân biệt giữa mục tiêu và các phần tử gây nhiễu trong nền.

  4. Xây dựng khung tinh chỉnh hai giai đoạn (Refinement Paradigm) cho các trình theo bám cơ sở: Đóng góp lý thuyết về việc chuyển giao và tối ưu hóa hậu nghiệm các đặc trưng xuất hiện từ một mạng cơ sở (base tracker) thông qua mô-đun biến đổi tuyến tính, mở ra hướng tiếp cận mô-đun hóa linh hoạt cho các hệ thống thị giác phức hợp.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất của ba trụ cột lý thuyết: (1) Lý thuyết tương quan chéo mạng Siamese, (2) Lý thuyết chú ý biến đổi tuyến tính, và (3) Lý thuyết phát hiện đối tượng dày đặc một giai đoạn (FCOS).

┌───────────────────────────┐     ┌───────────────────────────┐
│   Nhánh Mẫu (Template z)  │     │  Nhánh Tìm kiếm (Search x)│
└─────────────┬─────────────┘     └─────────────┬─────────────┘
              │                                 │
              ▼                                 ▼
      [Modified ResNet-50]              [Modified ResNet-50]
              │                                 │
              └───────────────┬─────────────────┘
                              ▼
        [Mô-đun Tăng cường & Kết hợp Đặc trưng]
          - L lớp Tự mã hóa Tuyến tính (SEL)
          - L lớp Mã hóa Chéo Tuyến tính (CAL)
                              │
                              ▼
               [Bản đồ Đặc trưng Tương quan]
                              │
                              ▼
            [Đầu Dự đoán Anchor-Free (FCOS-style)]
          ┌───────────────────┼───────────────────┐
          ▼                   ▼                   ▼
    [Phân loại Đối tượng]  [Độ lệch Tâm]     [Hồi quy Khung bao]
       (Classification)      (Center-ness)      (4D Distance Box)

Hệ thống toán học tổng quát tối ưu hóa toàn bộ mạng theo cơ chế học đầu-cuối (end-to-end): $$\mathcal{L}{\text{total}} = \mathcal{L}{\text{cls}}(p, y) + \lambda_1 \mathbb{I}{{y=1}} \mathcal{L}{\text{reg}}(b, b^) + \lambda_2 \mathbb{I}{{y=1}} \mathcal{L}{\text{cen}}(c, c^)$$ trong đó:

  • $\mathcal{L}_{\text{cls}}$ là hàm mất mát phân loại đối tượng (sử dụng Cross-Entropy hoặc Focal Loss để giải quyết mất cân bằng mẫu âm/dương).
  • $\mathcal{L}{\text{reg}}$ là hàm mất mát hồi quy khung bao sử dụng chuẩn $IoU$ hoặc GIoU loss: $$\mathcal{L}{\text{reg}} = 1 - \frac{|b \cap b^|}{|b \cup b^|}$$
  • $\mathcal{L}_{\text{cen}}$ là hàm mất mát nhị phân cross-entropy kiểm soát độ lệch tâm điểm ảnh nhằm triệt tiêu các hộp giới hạn chất lượng thấp cách xa tâm đối tượng.
  • $\lambda_1, \lambda_2$ là các trọng số điều chuẩn cố định ($\lambda_1 = 1.0, \lambda_2 = 1.0$).

Điều kiện biên xác định (Boundary Conditions):

  • Đối tượng được khởi tạo trạng thái duy nhất tại khung hình đầu tiên $I_1$ với khung bao $b_1 = [x, y, w, h]$.
  • Thuật toán hoạt động trong không gian chuỗi video thời gian thực liên tục với giả định khoảng cách di chuyển giữa hai khung hình kế tiếp tuân theo phân phối chuyển động cục bộ (local search window).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được định vị vững chắc trên nền tảng triết học thực chứng (Positivism) và chủ nghĩa hiện thực tính toán (Computational Realism). Mọi giả thuyết khoa học đều được kiểm chứng thông qua các thực nghiệm đo lường định lượng nghiêm ngặt trên các độ đo chuẩn quốc tế độc lập, có thể tái lập hoàn toàn (fully reproducible).

Thiết kế nghiên cứu bao gồm chuỗi 4 mô hình phát triển lũy tiến:

  1. TrackingUAV: Mô hình chuyên dụng cho video hồng ngoại nhiệt chống máy bay không người lái.
  2. SiamAPN & SiamAAM: Mô hình theo bám không dùng khung neo kết hợp mô-đun tăng cường đặc trưng tập trung không gian/kênh (Attention Feature Enhancement - AFE) và mô-đun kết hợp đặc trưng (Feature Fusion Module - FFM).
  3. SiamTLT: Mô hình thời gian thực sử dụng mạng chuyển đổi nhẹ tuyến tính.
  4. TrackerLT: Mô hình tăng cường độ chính xác cao sử dụng mạng chuyển đổi hình ảnh tuyến tính đa tầng ($L$ lớp SEL và CAL) kết hợp đầu hồi quy thích ứng điểm.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các giao thức học sâu chuẩn mực quốc tế:

  1. Chiến lược lấy mẫu và Tiền xử lý Dữ liệu:

    • Cặp ảnh mẫu $z$ (kích thước chuẩn hóa $127 \times 127 \times 3$) và ảnh vùng tìm kiếm $x$ (kích thước $255 \times 255 \times 3$) được trích xuất ngẫu nhiên từ hai khung hình thuộc cùng một chuỗi video trong khoảng cách thời gian xác định để mô phỏng chuyển động thực tế.
    • Kỹ thuật tăng cường dữ liệu (Data Augmentation) áp dụng đa dạng: dịch chuyển ngẫu nhiên ($\pm 64$ pixels), co giãn tỷ lệ ngẫu nhiên (hệ số $2^{\pm 1/4}$), biến đổi affine, lật ngang đối xứng. Đặc biệt, để nâng cao độ bền vững với ảnh nhiệt và ảnh ban đêm, 25% số cặp ảnh trong quá trình huấn luyện được chuyển đổi ngẫu nhiên sang không gian ảnh xám (grayscale).

  2. Kiến trúc Mạng trích chọn Đặc trưng (Backbone):

    • Luận án tái cấu trúc mạng ResNet-50 tiền huấn luyện trên ImageNet: điều chỉnh bước trượt (stride) từ 2 xuống 1 tại các khối tích chập conv4 và conv5, đồng thời áp dụng tích chập giãn cách (dilated convolution / atrous convolution) với tỷ lệ giãn lần lượt là $r=2$ và $r=4$ để giữ nguyên kích thước không gian bản đồ đặc trưng mà không làm giảm trường tiếp nhận (receptive field).
    • Tích hợp các lớp tích chập $1 \times 1$ tại đầu ra của conv3, conv4, conv5 để chuẩn hóa số kênh về 256, sẵn sàng cho các phép toán tương quan chéo sâu-rộng (DW-Xcorr).
[Input Image (127x127 / 255x255)]
                │
                ▼
      [Modified ResNet-50]
        ├── conv3 ──> [1x1 Conv] ──> 256 channels
        ├── conv4 (dilated r=2) ──> [1x1 Conv] ──> 256 channels
        └── conv5 (dilated r=4) ──> [1x1 Conv] ──> 256 channels
                │
                ▼
 [Depthwise Cross-Correlation (DW-Xcorr)]
  1. Độ tin cậy và Tính hợp lệ:
    • Đánh giá chéo độc lập trên 6 bộ dữ liệu lớn với các tiêu chí khắt khe: độ tin cậy tái lặp (test-retest reliability), kiểm tra tính vững với 12-14 thuộc tính thách thức riêng biệt.

Data và phân tích

Toàn bộ quá trình huấn luyện và đánh giá thực nghiệm được triển khai trên hệ thống tính toán hiệu năng cao sử dụng GPU NVIDIA RTX / Tesla chuyên dụng, framework lập trình PyTorch, thuật toán tối ưu Hạ gradient ngẫu nhiên (SGD) với động lượng (momentum) 0.9, suy giảm trọng số (weight decay) $10^{-4}$, và thuật toán tối ưu Adam. Chiến lược tốc độ học (learning rate schedule) áp dụng phương pháp khởi động mềm (warm-up) từ $0.001$ lên $0.005$ trong 5 epoch đầu tiên, sau đó suy giảm theo hàm cosin (cosine annealing) trong 15 epoch tiếp theo.

Hệ thống chỉ số đánh giá đa chiều chuẩn hóa quốc tế:

  • Độ chính xác trung bình ($acc$): Đo lường trên bộ dữ liệu Anti-UAV theo công thức: $$acc = \frac{1}{T} \sum_{t=1}^T \left( IoU_t \times \delta(\nu_t > 0) + p_t (1 - \delta(\nu_t > 0)) \right)$$ trong đó $\nu_t$ biểu thị sự tồn tại thực tế của UAV tại khung hình $t$, $p_t$ là điểm số dự đoán khi không có mục tiêu.
  • Độ chồng chéo trung bình dự kiến (Expected Average Overlap - EAO): Chỉ số tổng hợp cốt lõi của hội nghị VOT, kết hợp chặt chẽ giữa Điểm chính xác ($A - \text{Accuracy}$) và Điểm độ bền ($R - \text{Robustness}$/số lần mất dấu mục tiêu): $$\hat{\phi}N = \left\langle \frac{1}{N} \sum{t=1}^N \phi_t \right\rangle$$
  • Diện tích dưới đường cong (AUC) của Biểu đồ Thành công (Success Plot): Tỷ lệ phần trăm khung hình có chỉ số $IoU \ge \tau$ với $\tau \in [0, 1]$.
  • Lỗi vị trí trung tâm (Center Location Error - CLE) trên Biểu đồ Chính xác (Precision Plot): Đo khoảng cách Euclide giữa tâm dự đoán $X_t^p$ và tâm thực tế $x_t^{gt}$ với ngưỡng dung sai chuẩn 20 pixels: $$\delta_t = |x_t^{gt} - X_t^p|_2$$
  • Tốc độ khung hình (Frames Per Second - FPS): Đo lường trực tiếp thời gian suy luận thực tế trên cùng cấu hình phần cứng.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội của cơ chế chú ý tuyến tính $\mathcal{O}(T)$ so với Softmax $\mathcal{O}(T^2)$: Thực nghiệm của mô hình SiamTLT và TrackerLT chứng minh rằng việc tuyến tính hóa hàm chú ý thông qua nhân hóa đặc trưng không những không làm suy giảm độ chính xác mà còn nâng cao điểm EAO trên tập VOT2018 lên mức hàng đầu, đồng thời duy trì tốc độ xử lý vượt ngưỡng thời gian thực (đạt trên 45–60 FPS).
  2. Khả năng khắc phục triệt để biến dạng tỷ lệ của kiến trúc Anchor-Free: Trên tập dữ liệu UAV123 và OTB100, mô hình SiamAPN và SiamAAM vượt qua các mạng dùng khung neo kinh điển (SiamRPN, DaSiamRPN) từ 3.2% đến 5.8% về điểm thành công (Success Score) đối với các thuộc tính Biến dạng (DEF) và Thay đổi tỷ lệ (SV). Việc dự đoán trực tiếp khoảng cách biên tại từng điểm ảnh giúp loại bỏ hoàn toàn các khung bao sai lệch do lưới neo không tương thích.
  3. Hiệu năng đột phá trong theo dõi UAV ảnh nhiệt ban đêm (Anti-UAV Benchmark): Mô hình TrackingUAV và TrackerLT thiết lập chuẩn mực mới trên tập 100 video hồng ngoại Anti-UAV, xử lý thành công các tình huống UAV mục tiêu cực nhỏ ($< 16 \times 16$ pixels), chuyển động nhanh và nền nhiệt phức tạp (nền mây, tòa nhà, mặt biển) với độ chính xác $acc$ vượt trội so với các trình theo dõi đường cơ sở.
  4. Sức mạnh cộng hưởng của mô hình tinh chỉnh hai giai đoạn: Việc tích hợp mô-đun tăng cường TrackerLT vào các trình theo dõi cơ sở giúp cải thiện chỉ số EAO và AO thêm 2.5%–4.1% trên các tập dữ liệu thách thức cao như VOT2019 và GOT-10k.
Mô hình đề xuất Bộ dữ liệu đánh giá Chỉ số then chốt (Proposed vs Baseline) Tốc độ xử lý (FPS) Đặc trưng cốt lõi
TrackingUAV Anti-UAV (100 IR Videos) $acc$: Cải thiện vượt trội so với baseline > 40 FPS Tối ưu hóa cho video nhiệt, UAV kích thước biến thiên
SiamAPN / SiamAAM UAV123 & OTB100 Success/Precision tăng 3.2%–5.8% trên DEF/SV > 50 FPS Anchor-free, mô-đun AFE tập trung không gian/kênh
SiamTLT VOT2018 & UAV123 EAO dẫn đầu phân khúc Real-time Siamese > 60 FPS Lightweight Linear Transformer $\mathcal{O}(T)$
TrackerLT VOT2018, GOT-10k, LaSOT EAO/AO tăng 2.5%–4.1% khi tinh chỉnh base tracker > 35 FPS $L$ lớp mã hóa tự thân/chéo (SEL/CAL) tuyến tính

Implications đa chiều

  • Về mặt Lý thuyết: Luận án đã mở rộng biên giới của lý thuyết học sâu trong thị giác máy tính, chứng minh rằng sự kết hợp giữa kiến trúc Siamese, nguyên lý không khung neo và phép tính nhân tuyến tính là một mô hình chuẩn mực (paradigm) có tính khái quát hóa cao, mở đường cho các nghiên cứu lý thuyết tiếp theo về tối ưu hóa mạng nơ-ron bậc thấp trên dữ liệu video.
  • Về mặt Phương pháp luận: Cung cấp quy trình thiết kế, huấn luyện và đánh giá chuẩn mực cho các mô hình thị giác thời gian thực, có khả năng chuyển giao trực tiếp sang các bài toán lân cận như phân vùng đối tượng trong video (Video Object Segmentation), phát hiện đối tượng chuyển động và theo dõi đa đối tượng (Multi-Object Tracking - MOT).
  • Về mặt Thực tiễn và An ninh - Quốc phòng: Kết quả nghiên cứu cung cấp giải pháp công nghệ trực tiếp để chế tạo các khí tài quân sự thông minh:
    • Hệ thống đài quang điện tử tự động phát hiện, bám bắt và chỉ thị mục tiêu cho pháo phòng không/tên lửa đánh chặn UAV xâm nhập.
    • Hệ thống dẫn đường tự động cho UAV trinh sát quân sự, xe không người lái (UGV) hoạt động trong môi trường tác chiến điện tử bị gây nhiễu GPS.
    • Hệ thống camera giám sát an ninh biên giới, bờ biển và khu vực trọng yếu hoạt động 24/7 trong mọi điều kiện thời tiết.

Limitations và Future Research

Nhìn nhận một cách khách quan theo chuẩn mực học thuật, luận án tồn tại một số giới hạn nghiên cứu:

  1. Khả năng tái phát hiện sau che lấp hoàn toàn dài hạn (Long-term Complete Occlusion): Khi mục tiêu biến mất khỏi khung hình trong khoảng thời gian dài (trên 100 khung hình) hoặc bị che lấp 100%, mô hình thuần Siamese cục bộ có xu hướng bám vào các vùng nền tương đồng, đòi hỏi phải có cơ chế tìm kiếm toàn cục (Global Re-detection) kết hợp bộ nhớ ngoài (External Memory Bank).
  2. Chi phí tính toán trong giai đoạn tiền huấn luyện ngoại tuyến: Việc huấn luyện mạng trên tập dữ liệu tổng hợp hàng triệu khung hình (GOT-10k, LaSOT, ImageNet-VID) đòi hỏi hạ tầng cụm máy chủ GPU đa luồng đắt đỏ, gây thách thức cho việc tái huấn luyện liên tục tại các đơn vị cơ sở.
  3. Độ nhạy cảm trong điều kiện thời tiết cực đoan: Dù đã tối ưu cho ảnh nhiệt hồng ngoại, hiệu năng của mô hình quang học mắt thường vẫn chịu ảnh hưởng khi gặp sương mù dày đặc, mưa lớn hoặc lóa sáng phản xạ trực tiếp vào cảm biến quang học.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Tích hợp mạng nơ-ron bộ nhớ không-thời gian (Spatio-Temporal Memory Networks) để lưu trữ và cập nhật liên tục biểu diễn diện mạo mục tiêu qua hàng nghìn khung hình.
  • Phát triển mô hình hợp nhất đa phương thức (Multi-Modal Fusion): kết hợp đồng thời luồng dữ liệu ánh sáng nhìn thấy (RGB), luồng ảnh nhiệt hồng ngoại (Thermal/IR) và dữ liệu cảm biến LiDAR/Radar.
  • Nghiên cứu nén mô hình (Model Pruning & Quantization 8-bit/INT4) để nhúng trực tiếp lên các vi mạch AI biên công suất thấp (Edge AI Chips như NVIDIA Jetson Orin, Google Coral) trên UAV cỡ nhỏ.

Tác động và ảnh hưởng

Công trình nghiên cứu của NCS. Hoàng Đình Thắng tạo ra những xung lực tác động sâu rộng:

  • Tác động Học thuật (Academic Impact): Các công trình công bố từ luận án trên các tạp chí khoa học chuyên ngành và kỷ yếu hội thảo uy tín đóng góp nguồn tài nguyên học thuật giá trị, cung cấp các mã nguồn chuẩn và kết quả thực nghiệm cơ sở cho cộng đồng nghiên cứu thị giác máy tính trong và ngoài nước.
  • Chuyển đổi Công nghiệp và Công nghệ Quốc phòng: Đặt nền móng kỹ thuật vững chắc cho việc làm chủ công nghệ sản xuất các hệ thống quang điện tử trinh sát quang - hồng ngoại "Made in Vietnam", giảm thiểu sự phụ thuộc vào các giải pháp phần mềm quân sự nhập khẩu từ nước ngoài.
  • Lợi ích Xã hội và Quốc gia: Nâng cao năng lực tác chiến phòng thủ bảo vệ vùng trời, bảo vệ chủ quyền biên giới quốc gia trước hiểm họa từ các phương tiện bay không người lái dân sự và quân sự siêu nhỏ; đồng thời đóng góp giải pháp cho hạ tầng giao thông thông minh và đô thị an toàn.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Khoa học Máy tính / Toán tin: Tiếp cận một tài liệu chuyên khảo chuyên sâu về toán ứng dụng trong xử lý ảnh, nắm bắt phương pháp luận thiết kế mạng Siamese, kỹ thuật tuyến tính hóa Transformer và tối ưu hóa phi tuyến.
  • Kỹ sư R&D tại các Viện nghiên cứu và Doanh nghiệp Công nghệ Quốc phòng: Ứng dụng trực tiếp các thuật toán TrackingUAV, TrackerLT vào việc lập trình các hệ thống nhúng điều khiển quang điện tử trên UAV và tổ hợp khí tài quân sự.
  • Nhà phát triển Hệ thống Thị giác Máy tính Công nghiệp (AI/CV Engineers): Sử dụng kiến trúc SiamAPN/SiamTLT để triển khai các ứng dụng giám sát an ninh thời gian thực, điều khiển xe tự hành và robot công nghiệp với chi phí phần cứng tối ưu.
  • Các nhà hoạch định chính sách an ninh - quốc phòng: Có thêm cơ sở khoa học để đánh giá năng lực công nghệ tự chủ trong nước, xây dựng đề án trang bị các hệ thống giám sát và tác chiến chống UAV tầm thấp.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo và đột phá nhất của luận án là gì?

Đó là công trình nghiên cứu đã tuyến tính hóa thành công cơ chế tập trung trong kiến trúc Siamese thông qua ánh xạ nhân đặc trưng trực giao $\phi(x)$, đưa độ phức tạp tính toán từ $\mathcal{O}(T^2)$ về $\mathcal{O}(T)$ tuyến tính. Đột phá này giải quyết trọn vẹn mâu thuẫn tồn tại nhiều năm giữa nhu cầu mô hình hóa quan hệ tầm xa của Transformer và yêu cầu xử lý thời gian thực ($\ge 30$ FPS) của bài toán theo bám đối tượng trực quan.

2. Sự đổi mới về phương pháp luận khi so sánh với các nghiên cứu quốc tế tiêu biểu?

So với các mô hình kinh điển như SiamRPN++ (Li et al., 2019 - dựa trên khung neo và tương quan DW-Xcorr) và DiMP (Bhat et al., 2019 - phân loại tối ưu hóa trực tuyến), phương pháp luận của luận án mang tính cách tân:

  • Loại bỏ hoàn toàn sự phụ thuộc vào khung neo (anchor-free), giảm số lượng tham số cần khớp mẫu từ hàng trăm nghìn khung neo xuống ma trận điểm ảnh $W \times H$.
  • Thay thế hoàn toàn bước tối ưu hóa trực tuyến nặng nề bằng mạng mã hóa tự thân (SEL) và mã hóa chéo (CAL) tuyến tính chạy ngoại tuyến, giúp mô hình đạt tốc độ vượt trội ($> 50$ FPS so với $\sim 25$ FPS của DiMP) mà vẫn đạt độ chính xác tương đương trên các tập chuẩn OTB100 và UAV123.
+------------------+-----------------------+------------------------+
| Tiêu chí         | SiamRPN++ (CVPR 2019) | TrackerLT (Luận án)    |
+------------------+-----------------------+------------------------+
| Cơ chế khớp mẫu  | Khung neo (Anchors)   | Điểm (Anchor-free)     |
| Tương tác 2 luồng| DW-Xcorr đơn hướng    | Linear CAL 2 chiều     |
| Độ phức tạp Chú ý| Không có (No Attn)    | O(T) Tuyến tính        |
| Tốc độ suy luận  | ~35 FPS               | ~45-60 FPS             |
+------------------+-----------------------+------------------------+

3. Phát hiện thực nghiệm nào gây bất ngờ và có ý nghĩa toán học sâu sắc nhất?

Phát hiện thực nghiệm chỉ ra rằng: Việc sử dụng ánh xạ nhân tuyến tính đơn giản $\phi(x) = \text{elu}(x) + 1$ hoặc phép nhân trực giao ReLU kép không những không làm suy hao chất lượng biểu diễn không gian so với hàm Softmax phi tuyến đầy đủ, mà trong một số thuộc tính thách thức (như Mờ chuyển động - MB, Nền lộn xộn - BC), điểm thành công còn tăng từ 1.5% đến 2.8%. Về mặt toán học, điều này chứng minh rằng trong không gian đặc trưng tích chập sâu độ chiều cao, việc bảo toàn khoảng cách trực giao giữa các véc-tơ đặc trưng có giá trị phân biệt tương đương hoặc thậm chí triệt tiêu nhiễu nền tốt hơn hàm phân phối xác suất mũ chuẩn hóa softmax.

4. Luận án có cung cấp đầy đủ giao thức để tái lập nghiên cứu (Replication Protocol)?

Hoàn toàn đầy đủ. Luận án trình bày chi tiết mọi siêu tham số toán học:

  • Bộ tham số tối ưu SGD: momentum = 0.9, weight decay = $0.0001$, batch size = 32.
  • Lịch trình tốc độ học: 5 epoch đầu warm-up từ $10^{-3}$ đến $5 \times 10^{-3}$, 15 epoch sau cosine decay xuống $10^{-5}$.
  • Kích thước chuẩn hóa: ảnh mẫu $127 \times 127$, ảnh tìm kiếm $255 \times 255$.
  • Trọng số hàm mất mát: $\lambda_1 = 1.0, \lambda_2 = 1.0$.
  • Cấu trúc các khối tích chập giãn cách của ResNet-50 (stride=1, dilation=2/4). Toàn bộ mã nguồn và trọng số mô hình được lưu trữ và có thể tái lập thực nghiệm chính xác trên framework PyTorch.

5. Chương trình nghị sự nghiên cứu 10 năm (10-Year Research Agenda) mở ra từ luận án?

Luận án mở ra lộ trình phát triển học thuật 10 năm với 3 định hướng chiến lược:

  1. 2023 - 2025: Mở rộng kiến trúc sang mô hình hợp nhất đa cảm biến RGB-Hồng ngoại (RGB-T Tracking) thời gian thực trên chip biên.
  2. 2026 - 2028: Nghiên cứu tích hợp cảm biến sự kiện sinh học (Neuromorphic Event Cameras) với tốc độ đáp ứng micro-giây vào mạng Siamese tuyến tính để bám bắt các mục tiêu siêu vượt âm.
  3. 2029 - 2033: Xây dựng mô hình nền tảng không-thời gian (Spatiotemporal Foundation Models) tự giám sát quy mô lớn cho thị giác máy tính quân sự, hợp nhất tác vụ phát hiện, theo bám và phân tích hành vi mục tiêu tự hành hoàn chỉnh.

Kết luận

Luận án tiến sĩ của NCS. Hoàng Đình Thắng là một công trình nghiên cứu khoa học công phu, nghiêm túc, giải quyết trọn vẹn các mục tiêu toán học và kỹ thuật đề ra với 5 đóng góp học thuật cốt lõi:

  1. Xây dựng thành công mô hình TrackingUAV tối ưu hóa cho bài toán theo bám máy bay không người lái trong chuỗi video hồng ngoại nhiệt, giải quyết bài toán chống UAV trong an ninh quốc phòng.
  2. Đề xuất kiến trúc Siamese không dùng khung neo (SiamAPN, SiamAAM) kết hợp cơ chế tập trung tăng cường đặc trưng (AFE), giải phóng mô hình khỏi các siêu tham số định sẵn và đạt hiệu năng cao trên các tập dữ liệu UAV123, OTB100.
  3. Tiên phong ứng dụng mạng chuyển đổi tuyến tính (SiamTLT) với độ phức tạp $\mathcal{O}(T)$ vào mạng Siamese thời gian thực, phá vỡ điểm nghẽn tính toán $\mathcal{O}(T^2)$ của cơ chế chú ý truyền thống.
  4. Phát triển khung tinh chỉnh TrackerLT sử dụng các lớp tự mã hóa (SEL) và mã hóa chéo (CAL) tuyến tính đa tầng, nâng cao toàn diện hiệu năng của các trình theo bám cơ sở trên các bảng chuẩn quốc tế VOT2018, GOT-10k, LaSOT.
  5. Chứng minh và kiểm chứng thực nghiệm chặt chẽ trên 6 bộ dữ liệu chuẩn quốc tế quy mô lớn, cung cấp hệ thống luận cứ toán học và giải thuật vững chắc cho cộng đồng nghiên cứu thị giác máy tính.

Công trình không chỉ đánh dấu một bước tiến quan trọng về mặt học thuật trong chuyên ngành Cơ sở toán học cho tin học, mà còn mang giá trị thực tiễn sâu sắc, tạo nền tảng công nghệ then chốt phục vụ sự nghiệp hiện đại hóa quân đội và phát triển kinh tế số quốc gia.