I. Giới thiệu về Tra Cứu Ảnh Dựa Trên Nội Dung CBIR
Tra cứu ảnh dựa trên nội dung (CBIR) là một phương pháp quan trọng trong lĩnh vực thị giác máy tính, nhằm tìm kiếm ảnh dựa trên các đặc trưng trực quan như màu sắc, kết cấu, và hình dạng. Phương pháp này khắc phục hạn chế của tra cứu ảnh dựa trên văn bản (TBIR), vốn phụ thuộc vào chú thích thủ công và dễ bị ảnh hưởng bởi sự chủ quan của người dùng. CBIR sử dụng các kỹ thuật học máy và học sâu để trích xuất và phân tích đặc trưng ảnh, giúp cải thiện độ chính xác và tốc độ tra cứu. Tuy nhiên, CBIR vẫn gặp phải thách thức lớn là khoảng trống ngữ nghĩa giữa đặc trưng mức thấp và khái niệm mức cao.
1.1. Đặc trưng trong CBIR
Các đặc trưng trong CBIR được chia thành hai loại chính: đặc trưng toàn cục và đặc trưng cục bộ. Đặc trưng toàn cục bao gồm màu sắc, kết cấu, hình dạng và thông tin không gian, trong khi đặc trưng cục bộ tập trung vào các điểm chính như góc, cạnh và đốm màu. Việc lựa chọn và trích xuất đặc trưng phù hợp là yếu tố quyết định đến hiệu quả của hệ thống CBIR. Các kỹ thuật như phân tích thành phần chính (PCA) và phân tích phân biệt tuyến tính (LDA) thường được sử dụng để giảm chiều dữ liệu và tối ưu hóa quá trình tra cứu.
1.2. Khoảng trống ngữ nghĩa
Khoảng trống ngữ nghĩa là vấn đề lớn trong CBIR, khi các đặc trưng mức thấp được trích xuất bởi máy tính không tương ứng với khái niệm mức cao mà con người nhận thức. Để thu hẹp khoảng trống này, các phương pháp học sâu như mạng nơ-ron tích chập (CNN) và autoencoder được áp dụng để học các biểu diễn đặc trưng phức tạp hơn, giúp cải thiện độ chính xác của hệ thống.
II. Học Biểu Diễn và Giảm Chiều Dữ Liệu
Học biểu diễn và giảm chiều dữ liệu là hai kỹ thuật quan trọng trong CBIR, giúp tối ưu hóa quá trình tra cứu ảnh. Học biểu diễn sử dụng các mô hình học sâu để trích xuất đặc trưng từ dữ liệu ảnh, trong khi giảm chiều dữ liệu giúp loại bỏ các đặc trưng dư thừa hoặc không liên quan, giảm thời gian tính toán và cải thiện hiệu suất.
2.1. Học sâu trong CBIR
Học sâu đã cách mạng hóa CBIR bằng cách sử dụng các mô hình như mạng nơ-ron tích chập (CNN) và autoencoder để học các biểu diễn đặc trưng từ dữ liệu ảnh. Các mô hình này có khả năng tự động trích xuất đặc trưng ở nhiều mức trừu tượng, giúp thu hẹp khoảng trống ngữ nghĩa và cải thiện độ chính xác tra cứu. Autoencoder đặc biệt hiệu quả trong việc học các biểu diễn ảnh từ dữ liệu không có nhãn, giúp tăng cường khả năng phân lớp và tra cứu.
2.2. Giảm chiều dữ liệu
Giảm chiều dữ liệu là quá trình loại bỏ các đặc trưng dư thừa hoặc không liên quan, giúp giảm kích thước dữ liệu và tối ưu hóa quá trình tính toán. Các kỹ thuật như phân tích thành phần chính (PCA) và phân tích phân biệt tuyến tính (LDA) thường được sử dụng để giảm chiều dữ liệu. Trong CBIR, việc giảm chiều dữ liệu giúp cải thiện tốc độ tra cứu và giảm thời gian truy vấn, đặc biệt khi làm việc với các tập dữ liệu lớn.
III. Ứng dụng và Đánh Giá
Luận án đề xuất các phương pháp cải tiến CBIR bằng cách kết hợp học biểu diễn và giảm chiều dữ liệu, giúp tăng cường độ chính xác và tốc độ tra cứu. Các phương pháp này được đánh giá trên các tập dữ liệu phổ biến như CIFAR-100 và Corel, cho thấy hiệu quả vượt trội so với các phương pháp truyền thống.
3.1. Kết quả thực nghiệm
Các kết quả thực nghiệm trên tập dữ liệu CIFAR-100 và Corel cho thấy, phương pháp đề xuất đạt được độ chính xác cao hơn và thời gian truy vấn ngắn hơn so với các phương pháp truyền thống. Đặc biệt, việc sử dụng mạng autoencoder và giảm chiều dữ liệu giúp cải thiện đáng kể hiệu suất của hệ thống CBIR.
3.2. Ứng dụng thực tế
Các phương pháp đề xuất trong luận án có tiềm năng ứng dụng cao trong các lĩnh vực như y học, kiến trúc, và phòng chống tội phạm, nơi yêu cầu tra cứu ảnh nhanh chóng và chính xác. Việc tích hợp học sâu và giảm chiều dữ liệu vào hệ thống CBIR mở ra hướng nghiên cứu mới, góp phần thúc đẩy sự phát triển của thị giác máy tính và trí tuệ nhân tạo.
