Luận văn thạc sĩ: Phân loại độ tuổi người qua ảnh dùng mạng nơ ron tích chập

Luận văn khám phá phân loại độ tuổi chính xác từ ảnh mặt người dùng mạng CNN. Nghiên cứu sâu về ứng dụng trí tuệ nhân tạo trong nhận diện tuổi.

• Tác giả: Soulinsomphou Oupala
• Người hướng dẫn: Ts. Nguyễn Đình Hóa
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên Cứu Phân Loại Độ Tuổi Của Người Bằng Hình Ảnh Sử Dụng Mạng Nơ Ron Tích Chập
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Tóm tắt

I. Toàn cảnh luận văn Phân loại độ tuổi bằng mạng nơ ron

Luận văn thạc sĩ kỹ thuật này tập trung vào một chủ đề quan trọng trong lĩnh vực thị giác máy tính: nghiên cứu phân loại độ tuổi của người bằng ảnh mặt người sử dụng mạng nơ ron tích chập. Với sự phát triển vượt bậc của phần cứng và khả năng tính toán song song, trí tuệ nhân tạo AI và học sâu ứng dụng đã mở ra những hướng đi mới. Trong đó, mạng CNN (Convolutional Neural Network) nổi lên như một công cụ mạnh mẽ, cho phép máy tính có khả năng "nhìn" và phân tích hình ảnh một cách hiệu quả. Bài toán nhận dạng tuổi qua khuôn mặt không chỉ là một thách thức học thuật mà còn có giá trị thực tiễn to lớn. Việc xác định tuổi tác và giới tính từ ảnh khuôn mặt đóng vai trò cơ bản trong các tương tác xã hội và nhiều ứng dụng thương mại. Ví dụ, trong ngành bán lẻ, việc theo dõi hành vi khách hàng theo độ tuổi giúp tối ưu hóa chiến lược tiếp thị. Trong lĩnh vực an ninh, nó hỗ trợ kiểm soát truy cập và thực thi pháp luật. Luận văn này đề xuất xây dựng một mô hình kiến trúc mạng nơ ron tích chập để phân lớp dữ liệu hình ảnh, từ đó dự đoán độ tuổi của một người. Nghiên cứu này không chỉ so sánh giữa các phương pháp machine learning truyền thống và học sâu mà còn đi sâu vào việc xây dựng, huấn luyện và đánh giá một mô hình cụ thể, đóng góp vào kho tàng báo cáo khoa học AI và các đồ án tốt nghiệp nhận dạng tuổi.

1.1. Tầm quan trọng của ước tính độ tuổi bằng deep learning

Việc ước tính độ tuổi bằng deep learning đã trở thành một nhiệm vụ cốt lõi trong các ứng dụng thông minh. Nó không chỉ giới hạn trong tương tác người-máy mà còn mở rộng sang các lĩnh vực như quảng cáo định hướng và thống kê dân số. Phân tích đặc điểm khuôn mặt là một chủ đề được quan tâm từ những năm 90, nhưng chỉ đến khi các kỹ thuật học sâu ra đời, độ chính xác và độ tin cậy của các hệ thống này mới thực sự đáp ứng được nhu cầu thực tế. Một hệ thống có khả năng tự động nhận dạng tuổi chính xác giúp doanh nghiệp hiểu rõ hơn về đối tượng khách hàng, cá nhân hóa trải nghiệm và tăng cường an ninh. Theo nghiên cứu của GilLevi và Tal Hassner (2015), các mô hình Deep Neural Network đầu tiên đã cho thấy kết quả vượt trội so với các phương pháp truyền thống như SVM hay GMM.

1.2. Hướng tiếp cận của luận văn Mạng CNN và xử lý ảnh

Luận văn xác định hướng tiếp cận chính là sử dụng phương pháp học sâu, cụ thể là mạng nơ ron tích chập (CNN). Khác với các phương pháp học máy truyền thống yêu cầu bước trích xuất đặc trưng khuôn mặt thủ công, CNN có khả năng tự động học các đặc trưng từ dữ liệu thô. Quá trình này giúp mô hình khám phá ra những đặc điểm phức tạp và tinh vi liên quan đến quá trình lão hóa mà con người khó có thể định nghĩa bằng các quy tắc. Nền tảng của phương pháp này là các kỹ thuật xử lý ảnh kỹ thuật số tiên tiến, kết hợp với các thư viện mã nguồn mở mạnh mẽ như OpenCV, TensorFlow, và Keras để xây dựng và huấn luyện mô hình CNN một cách hiệu quả. Hướng đi này hứa hẹn mang lại độ chính xác cao và khả năng ứng dụng rộng rãi.

II. Khám phá thách thức khi nhận dạng tuổi qua ảnh mặt người

Mặc dù con người có thể dễ dàng ước tính độ tuổi của người khác, đây lại là một bài toán phức tạp đối với máy tính. Luận văn đã chỉ ra nhiều khó khăn và thách thức cốt lõi trong quá trình nhận dạng tuổi qua khuôn mặt. Thách thức lớn nhất đến từ chất lượng và sự đa dạng của dữ liệu. Hình ảnh khuôn mặt có thể được thu thập từ nhiều nguồn khác nhau, dẫn đến sự không đồng nhất về điều kiện ánh sáng (thiếu sáng, chói), góc nhìn, biểu cảm, và sự che khuất (đeo kính, râu, tóc). Những yếu tố này ảnh hưởng trực tiếp đến chất lượng của quá trình trích xuất đặc trưng khuôn mặt và làm giảm hiệu suất của mô hình. Một vấn đề khác là sự biến dạng và thay đổi tỷ lệ của đối tượng trong ảnh. Khuôn mặt có thể chỉ chiếm một phần nhỏ của bức ảnh hoặc ở những tư thế khó nhận dạng. Đặc biệt, vấn đề dữ liệu mất cân bằng (Imbalanced Data) là một trở ngại lớn. Trong thực tế, số lượng ảnh của một số nhóm tuổi nhất định (ví dụ: người già) thường ít hơn các nhóm tuổi khác (ví dụ: thanh niên). Nếu không được xử lý đúng cách, mô hình sẽ có xu hướng dự đoán thiên về các lớp đa số, dẫn đến kết quả phân lớp ảnh thiếu chính xác. Cuối cùng, hiệu năng máy tính cũng là một rào cản, vì các mô hình học sâu ứng dụng thường yêu cầu tài nguyên tính toán lớn để huấn luyện.

2.1. Vấn đề về chất lượng và sự đa dạng của bộ dữ liệu

Chất lượng dữ liệu là yếu tố quyết định thành công của bất kỳ mô hình machine learning nào. Đối với bài toán age estimation using cnn, các hình ảnh bị nhiễu, mờ, độ phân giải thấp, hoặc chụp trong điều kiện ánh sáng không lý tưởng đều là những thách thức lớn. Sự đa dạng về góc nhìn (chính diện, nghiêng), biểu cảm (vui, buồn, ngạc nhiên), và các phụ kiện (kính, mũ) làm cho việc nhận dạng các đặc trưng liên quan đến tuổi tác trở nên khó khăn hơn. Như được đề cập trong tài liệu, các bức ảnh chụp trong thực tế hiếm khi thỏa mãn điều kiện lý tưởng, do đó một mô hình mạnh mẽ cần phải có khả năng khái quát hóa tốt trên nhiều điều kiện khác nhau.

2.2. Khó khăn từ dữ liệu mất cân bằng và hiệu năng tính toán

Dữ liệu mất cân bằng là tình trạng tỷ lệ mẫu giữa các lớp (nhóm tuổi) không đồng đều. Ví dụ, một bộ dữ liệu UTKFace hay IMDB-WIKI có thể chứa nhiều hình ảnh của người trẻ hơn người cao tuổi. Điều này khiến mô hình học tốt hơn trên lớp đa số và kém hiệu quả trên lớp thiểu số. Để giải quyết vấn đề này, các kỹ thuật như tăng cường dữ liệu (data augmentation) hoặc cân bằng trọng số (weight balancing) cần được áp dụng. Bên cạnh đó, việc huấn luyện mô hình CNN với hàng triệu tham số đòi hỏi cấu hình phần cứng mạnh, đặc biệt là GPU, để giảm thời gian tính toán và đạt được hiệu suất tối ưu. Đây là một chi phí không nhỏ đối với nhiều dự án nghiên cứu.

III. Phương pháp tiền xử lý và tăng cường dữ liệu ảnh tối ưu

Để xây dựng một mô hình ước tính độ tuổi bằng deep learning hiệu quả, bước chuẩn bị dữ liệu đóng vai trò nền tảng. Luận văn đã trình bày một quy trình chi tiết, bắt đầu từ việc lựa chọn và phân tích bộ dữ liệu. Nghiên cứu này sử dụng bộ dữ liệu IMFDB (Indian Movies Face Database), một tập dữ liệu lớn với hơn 26.000 hình ảnh được thu thập từ các bộ phim, đảm bảo sự đa dạng về tư thế, biểu cảm và điều kiện ánh sáng. Quá trình tiền xử lý dữ liệu ảnh là một bước không thể thiếu. Đầu tiên, các thuộc tính không liên quan đến bài toán phân loại độ tuổi như biểu cảm, tư thế, trang điểm đã được loại bỏ để mô hình tập trung vào các đặc trưng cốt lõi. Tiếp theo, dữ liệu nhiễu như ảnh quá mờ, quá tối, hoặc khuôn mặt bị che khuất một phần được lọc bỏ thủ công. Một bước quan trọng khác là chuẩn hóa kích thước ảnh. Tất cả hình ảnh trong bộ dữ liệu được điều chỉnh về cùng một kích thước (ví dụ: 128x128 pixel) để đảm bảo tính nhất quán cho đầu vào của mạng CNN. Cuối cùng, kỹ thuật tăng cường dữ liệu (data augmentation) được áp dụng để giải quyết vấn đề dữ liệu hạn chế và mất cân bằng. Các phép biến đổi như xoay, lật, dịch chuyển ảnh được thực hiện để tạo ra các mẫu dữ liệu mới, giúp mô hình khái quát hóa tốt hơn và giảm thiểu hiện tượng overfitting.

3.1. Phân tích và lựa chọn bộ dữ liệu IMFDB Adience UTKFace

Việc lựa chọn bộ dữ liệu phù hợp là rất quan trọng. Luận văn đã chọn bộ dữ liệu IMFDB vì tính đa dạng và nhãn chi tiết về độ tuổi, giới tính, biểu cảm. Ngoài ra, trong lĩnh vực nhận dạng tuổi qua khuôn mặt, còn có các bộ dữ liệu công khai nổi tiếng khác như bộ dữ liệu Adience và bộ dữ liệu UTKFace. Mỗi bộ dữ liệu có những đặc điểm riêng: UTKFace cung cấp một lượng lớn ảnh với nhãn tuổi chính xác, trong khi Adience tập trung vào ảnh chụp trong điều kiện thực tế, không qua chỉnh sửa. Việc hiểu rõ ưu và nhược điểm của từng bộ dữ liệu giúp nhà nghiên cứu lựa chọn nguồn tài nguyên phù hợp nhất cho mục tiêu của mình.

3.2. Quy trình chuẩn hóa và làm sạch dữ liệu ảnh với OpenCV

Quy trình tiền xử lý dữ liệu ảnh được thực hiện một cách bài bản. Thư viện OpenCV được sử dụng để thực hiện các tác vụ như đọc, thay đổi kích thước và chuyển đổi không gian màu của ảnh. Các ảnh nhiễu, không chứa khuôn mặt rõ ràng hoặc chất lượng quá thấp đã được loại bỏ để đảm bảo tập dữ liệu huấn luyện sạch. Sau đó, tất cả các ảnh được đưa về một kích thước đồng nhất, ví dụ 128x128 pixel. Giá trị pixel của ảnh cũng được chuẩn hóa (normalize) bằng cách chia cho 255, đưa các giá trị về khoảng [0, 1]. Điều này giúp quá trình huấn luyện diễn ra ổn định và nhanh hội tụ hơn.

IV. Hướng dẫn xây dựng mô hình mạng CNN phân loại độ tuổi

Trọng tâm của luận văn là việc xây dựng và huấn luyện mô hình CNN để giải quyết bài toán phân lớp ảnh theo độ tuổi. Mô hình được đề xuất dựa trên kiến trúc LeNet nhưng được tùy chỉnh để phù hợp với độ phức tạp của dữ liệu. Cấu trúc này bao gồm nhiều lớp tích chập (Convolutional Layer) xen kẽ với các lớp gộp (Pooling Layer) để thực hiện trích xuất đặc trưng khuôn mặt ở nhiều cấp độ khác nhau. Các lớp tích chập đầu tiên học các đặc trưng đơn giản như cạnh, góc, trong khi các lớp sâu hơn học các đặc trưng phức tạp hơn như mắt, mũi, và các nếp nhăn. Sau khối trích xuất đặc trưng, dữ liệu được làm phẳng (Flatten) và đưa vào các lớp kết nối đầy đủ (Fully Connected Layer) để thực hiện phân loại. Lớp đầu ra sử dụng hàm kích hoạt Softmax để tính toán xác suất thuộc về mỗi nhóm tuổi (ví dụ: 'Trẻ', 'Trung niên', 'Già'). Việc lựa chọn các thành phần của mô hình như thuật toán tối ưu (Optimizer) và hàm mất mát (loss function) là cực kỳ quan trọng. Luận văn sử dụng thuật toán Adam, một phương pháp tối ưu hiệu quả và phổ biến trong học sâu ứng dụng. Hàm lỗi Cross-Entropy được chọn để đo lường sự khác biệt giữa xác suất dự đoán và nhãn thực tế, từ đó điều hướng quá trình học của mô hình. Các kỹ thuật như Dropout cũng được áp dụng để chống lại hiện tượng overfitting, giúp mô hình hoạt động tốt trên cả dữ liệu chưa từng thấy.

4.1. Kiến trúc mạng CNN đề xuất VGG16 ResNet và mô hình tùy chỉnh

Mô hình đề xuất trong luận văn bao gồm 3 lớp tích chập với số lượng bộ lọc tăng dần (25, 50, 75) và kích thước kernel là 3x3, theo sau bởi các lớp Max Pooling. Kiến trúc này là một mô hình tùy chỉnh, đơn giản nhưng hiệu quả. Trong thực tế, các nhà nghiên cứu cũng thường sử dụng các kiến trúc có sẵn mạnh mẽ hơn như kiến trúc VGG16 hay kiến trúc ResNet thông qua kỹ thuật học chuyển giao (transfer learning). Những mô hình này đã được huấn luyện trước trên các bộ dữ liệu khổng lồ như ImageNet, giúp chúng học được các đặc trưng hình ảnh tổng quát và có thể tinh chỉnh lại cho bài toán cụ thể như nhận dạng tuổi qua khuôn mặt.

4.2. Huấn luyện mô hình với TensorFlow Keras và PyTorch

Quá trình huấn luyện mô hình CNN được thực hiện bằng cách sử dụng các framework học sâu hiện đại. TensorFlow, Keras, và PyTorch là những lựa chọn hàng đầu, cung cấp các API cấp cao giúp đơn giản hóa việc xây dựng, huấn luyện và triển khai mô hình. Trong luận văn, mô hình được định nghĩa, biên dịch (compile) với thuật toán tối ưu Adam và hàm lỗi Cross-Entropy. Sau đó, mô hình được huấn luyện trên tập dữ liệu huấn luyện qua nhiều epoch, và hiệu suất được theo dõi trên tập dữ liệu kiểm tra (validation set) để phát hiện sớm hiện tượng overfitting và tìm ra phiên bản mô hình tốt nhất.

V. Cách cài đặt và đánh giá hiệu quả mô hình CNN thực tế

Chương cuối cùng của luận văn tập trung vào việc cài đặt môi trường, thử nghiệm và đánh giá hiệu quả của mô hình phân loại độ tuổi bằng ảnh mặt người đã được xây dựng. Môi trường thực nghiệm được thiết lập trên một máy tính có cấu hình phù hợp, sử dụng các thư viện Python phổ biến như TensorFlow, Keras, OpenCV và Scikit-learn. Sau khi quá trình huấn luyện mô hình CNN hoàn tất, mô hình tốt nhất (thường là mô hình có độ lỗi thấp nhất trên tập kiểm tra) được lưu lại và sử dụng để đánh giá trên tập dữ liệu kiểm chứng (test set) – một tập dữ liệu hoàn toàn độc lập mà mô hình chưa từng thấy trước đây. Việc đánh giá này đảm bảo tính khách quan về hiệu suất của mô hình. Các phương pháp đánh giá hiệu quả được sử dụng rất đa dạng. Độ chính xác (Accuracy) là một chỉ số phổ biến, nhưng đối với bài toán có dữ liệu mất cân bằng, các chỉ số khác như Precision, Recall, F1-score và ma trận nhầm lẫn (Confusion Matrix) cung cấp một cái nhìn toàn diện hơn. Đối với bài toán ước tính tuổi, độ lỗi tuyệt đối trung bình (MAE) là một thước đo quan trọng, cho biết sai số trung bình giữa tuổi dự đoán và tuổi thật. Kết quả thực nghiệm được trình bày chi tiết qua các bảng và biểu đồ, so sánh hiệu quả của mô hình trên từng nhóm tuổi và phân tích các trường hợp dự đoán sai để tìm ra điểm yếu và hướng cải thiện trong tương lai.

5.1. Phân tích kết quả qua ma trận nhầm lẫn và độ chính xác

Ma trận nhầm lẫn (Confusion Matrix) là một công cụ trực quan để đánh giá hiệu suất của mô hình phân lớp ảnh. Nó cho thấy số lượng các dự đoán đúng và sai cho từng lớp cụ thể. Dựa vào ma trận này, có thể tính toán các chỉ số như độ chính xác, độ phủ, và điểm F1. Phân tích ma trận nhầm lẫn giúp xác định các cặp lớp mà mô hình thường bị nhầm lẫn, ví dụ như giữa nhóm tuổi 'Trung niên' và 'Già', từ đó có những chiến lược cải tiến phù hợp. Kết quả trong luận văn cho thấy mô hình đạt được độ chính xác khả quan, chứng tỏ tiềm năng của phương pháp age estimation using cnn.

5.2. Đo lường sai số dự đoán bằng độ lỗi tuyệt đối trung bình MAE

Trong các bài toán hồi quy hoặc ước tính giá trị liên tục, độ lỗi tuyệt đối trung bình (MAE - Mean Absolute Error) là một thước đo hiệu quả. Mặc dù bài toán này được tiếp cận như một bài toán phân loại (phân nhóm tuổi), MAE vẫn có thể được áp dụng để đánh giá sai số trung bình. Bằng cách gán một giá trị tuổi đại diện cho mỗi nhóm (ví dụ: 'Trẻ' = 20, 'Trung niên' = 40), có thể tính toán sự chênh lệch tuyệt đối giữa tuổi dự đoán và tuổi thực tế. MAE càng thấp cho thấy mô hình dự đoán càng gần với giá trị thật, phản ánh chính xác hơn hiệu suất thực tế của hệ thống ước tính độ tuổi bằng deep learning.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và trí tuệ nhân tạo phát triển vượt bậc, bài toán phân tích đặc trưng khuôn mặt con người đóng vai trò then chốt trong các hệ thống thị giác máy tính. Theo các báo cáo khoa học trong lĩnh vực thị giác máy tính, việc ước tính độ tuổi từ ảnh khuôn mặt trước đây bằng các phương pháp học máy truyền thống thường gặp nhiều rào cản, với độ chính xác ước lượng tuổi ban đầu chỉ đạt khoảng 62,8% so với mức 92,6% khi nhận diện giới tính. Vấn đề nghiên cứu trọng tâm là xây dựng một hệ thống nhận dạng tự động có khả năng vượt qua những thách thức về biến đổi biểu cảm, điều kiện ánh sáng và góc chụp để phân loại chính xác độ tuổi của con người.

Mục tiêu cụ thể của công trình là nghiên cứu và ứng dụng mạng nơ-ron tích chập (Convolutional Neural Network - CNN) nhằm xây dựng mô hình phân loại độ tuổi tự động dựa trên hình ảnh khuôn mặt thành ba nhóm tuổi: Trẻ tuổi (Young: 13 đến 30 tuổi), Trung niên (Middle: 31 đến 50 tuổi) và Cao niên (Old: trên 50 tuổi). Phạm vi nghiên cứu được thực hiện trên cơ sở dữ liệu khuôn mặt điện ảnh Ấn Độ (IMFDB) bao gồm 26.742 hình ảnh của 100 diễn viên, được hoàn thành tại Học viện Công nghệ Bưu chính Viễn thông trong năm 2020.

Về mặt ý nghĩa thực tiễn, nghiên cứu mang lại giải pháp công nghệ quan trọng giúp doanh nghiệp theo dõi hành vi người tiêu dùng, tối ưu hóa các chiến dịch quảng cáo định hướng, nâng cao hiệu quả giám sát an ninh và hỗ trợ tương tác người máy thông minh. Việc tự động hóa trích xuất đặc trưng giúp giảm thiểu chi phí thiết kế thủ công, đồng thời cải thiện đáng kể tốc độ xử lý trong các ứng dụng thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết học sâu (Deep Learning), nổi bật là kiến trúc mạng nơ-ron tích chập (CNN) lấy cảm hứng từ cấu trúc vỏ não thị giác con người. Mô hình hoạt động dựa trên cơ chế trượt của các bộ lọc (kernel) kích thước 3x3 trên ma trận ảnh để tính tích chập và tạo ra các bản đồ đặc trưng (feature maps), từ những đặc trưng hình học cơ bản như đường viền, góc cạnh cho đến các cấu trúc phức tạp như mắt, mũi và các nếp nhăn biểu cảm.

Các khái niệm và cơ chế cốt lõi được áp dụng trong khung nghiên cứu bao gồm:

• Lớp tích chập (Convolutional Layer): Đảm nhận nhiệm vụ trích xuất đặc trưng không gian đa cấp từ dữ liệu ảnh thô.
• Lớp lấy mẫu cực đại (Max Pooling): Sử dụng cửa sổ 2x2 để giảm số chiều dữ liệu, tinh giản số lượng tham số tính toán và giảm thiểu hiện tượng quá khớp (overfitting).
• Hàm kích hoạt phi tuyến ReLU (Rectified Linear Unit) và Softmax: ReLU được bố trí tại các lớp ẩn để tăng tốc độ hội tụ và giảm độ phức tạp tính toán, trong khi Softmax tại lớp đầu ra đóng vai trò chuyển đổi điểm số dự đoán thành phân phối xác suất giữa 3 lớp độ tuổi.
• Hàm mất mát Cross-Entropy và thuật toán tối ưu hóa Adam (Adaptive Moment Estimation): Tối ưu hóa vector trọng số và độ lệch thông qua việc kết hợp cơ chế quán tính của SGD và khả năng thích ứng tốc độ học của RMSprop.
• Kỹ thuật Dropout và Data Augmentation: Ngắt kết nối ngẫu nhiên một tỷ lệ nơ-ron trong quá trình lan truyền xuôi và biến đổi dữ liệu nhằm nâng cao khả năng khái quát hóa của mô hình.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng kết hợp thực nghiệm trên bộ dữ liệu ảnh thực tế IMFDB với quy mô 26.742 bản ghi. Quy trình chuẩn bị và phân tích dữ liệu được thực hiện chặt chẽ qua các giai đoạn:

1. Tiền xử lý dữ liệu: Tiến hành lọc bỏ các thuộc tính không liên quan như biểu cảm, góc nghiêng khuôn mặt, trang điểm và giới tính; loại bỏ các mẫu ảnh nhiễu, ảnh bị thiếu sáng, chói sáng hoặc bị che khuất một phần; đồng thời chuẩn hóa kích thước toàn bộ ảnh về mức đồng nhất 128x128 pixel nhằm cân bằng giữa việc giữ lại chi tiết nhận diện và hiệu năng tính toán.
2. Phân chia tập mẫu: Tổng số 26.742 bản ghi được chia tách thành hai tập chính gồm tập huấn luyện chiếm 75% (tương đương 19.906 ảnh) và tập kiểm chứng độc lập chiếm 25% (tương đương 6.636 ảnh). Tiếp đó, từ 19.906 ảnh của tập huấn luyện, dữ liệu tiếp tục được phân tách theo tỷ lệ 85% cho huấn luyện trực tiếp (16.920 ảnh) và 15% cho kiểm tra quá trình (2.986 ảnh).
3. Thiết kế cấu trúc mô hình: Mô hình tích hợp 3 tầng tích chập liên tiếp với số lượng bộ lọc tăng dần tương ứng là 25, 50 và 75 bộ lọc kích thước 3x3, xen kẽ bởi các tầng Max Pooling 2x2. Sau tầng làm phẳng (Flatten), 3 lớp kết nối đầy đủ (Fully Connected) được thiết lập với cấu hình 32 nơ-ron cho hai lớp đầu và 3 nơ-ron cho lớp đầu ra cuối cùng.

Lý do lựa chọn phương pháp phân tích mạng nơ-ron tích chập tùy biến này là nhằm đảm bảo mô hình có số lượng tham số vừa phải, phù hợp với tài nguyên phần cứng thử nghiệm nhưng vẫn khai thác triệt để các đặc trưng cục bộ trên khuôn mặt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và đánh giá thực nghiệm mô hình phân loại độ tuổi đã mang lại các phát hiện khoa học quan trọng:

1. Kiến trúc 3 tầng tích chập đa tầng (với 25, 50 và 75 bộ lọc) đã thể hiện khả năng học biểu diễn đặc trưng khuôn mặt vượt trội. Các lớp đầu tiên trích xuất hiệu quả các đường biên cạnh với bộ lọc 3x3, trong khi các lớp sâu hơn nhận diện rõ nét cấu trúc nếp nhăn và rãnh cười đặc trưng của từng phân khúc tuổi.
2. Việc chuẩn hóa độ phân giải ảnh về mức 128x128 pixel từ các kích thước gốc phân tán từ 13x22 pixel đến 543x616 pixel giúp tối ưu hóa không gian bộ nhớ và rút ngắn đáng kể thời gian tính toán của thuật toán Adam mà không làm suy giảm các đặc trưng nhận diện quan trọng.
3. Cơ chế phân chia dữ liệu theo tỷ lệ 75% huấn luyện (19.906 bản ghi) và 25% kiểm chứng (6.636 bản ghi), kết hợp cùng kỹ thuật tăng cường dữ liệu (Data Augmentation) và Dropout, đã loại bỏ hiệu quả hiện tượng quá khớp thường gặp trên các tập dữ liệu ảnh khuôn mặt phức tạp.
4. Mô hình phân loại thành công 3 nhãn tuổi mục tiêu ("Young", "Middle", "Old") trên tập kiểm thử độc lập, chứng minh tính khả thi cao khi ứng dụng các kiến trúc học sâu gọn nhẹ vào bài toán thị giác máy tính thực tế.

Thảo luận kết quả

Khi xem xét các yếu tố ảnh hưởng đến độ chính xác của mô hình, nguyên nhân chính dẫn đến sai số phân loại bắt nguồn từ đặc tính phức tạp của dữ liệu IMFDB thu thập từ video điện ảnh. Các hình ảnh thường xuyên xuất hiện sự biến thiên lớn về góc quay khuôn mặt (nghiêng trái, phải, ngước lên, cúi xuống), điều kiện ánh sáng không đồng đều và hiện tượng che khuất bởi kính mắt hoặc râu tóc.

So với các phương pháp truyền thống như mô hình không gian mẫu lão hóa (AGES), mô hình hỗn hợp Gaussian (GMM) hay máy vector hỗ trợ (SVM) vốn đòi hỏi khuôn mặt phải ở chính diện và căn chỉnh hoàn hảo, mạng nơ-ron tích chập tự động trích chọn đặc trưng tỏ ra vượt trội hơn hẳn về độ bền vững trước nhiễu.

Trong thực tế triển khai, các kết quả đánh giá phân loại được trực quan hóa thông qua ma trận nhầm lẫn (Confusion Matrix) và đồ thị hàm mất mát (Loss function) theo từng chu kỳ huấn luyện (Epoch). Dữ liệu trên ma trận nhầm lẫn cho thấy tỷ lệ nhận diện chính xác cao ở nhóm tuổi "Young" (13-30 tuổi) và "Old" (trên 50 tuổi), trong khi nhóm "Middle" (31-50 tuổi) có sự giao thoa nhẹ do các đặc điểm khuôn mặt ở giai đoạn chuyển tiếp độ tuổi có độ tương đồng sinh học cao. Bảng tổng hợp các chỉ số độ chính xác (Accuracy), độ nhạy (Recall) và điểm F1-score minh chứng rằng việc tích hợp hàm kích hoạt ReLU cùng tối ưu hóa Adam giúp mô hình duy trì hiệu suất ổn định xuyên suốt 6.636 mẫu kiểm chứng.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được và hạn chế còn tồn tại của mô hình, bốn giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả ứng dụng thực tế:

1. Tối ưu hóa đường ống tiền xử lý ảnh khuôn mặt: Xây dựng thuật toán tự động căn chỉnh góc xoay và cân bằng độ sáng thích ứng trước khi đưa vào mạng tích chập. Đội ngũ kỹ thuật phần mềm cần thực hiện giải pháp này trong lộ trình 3 tháng nhằm mục tiêu cắt giảm khoảng 15% thời gian tiền xử lý dữ liệu và cải thiện độ đồng nhất của ảnh đầu vào.
2. Mở rộng tập dữ liệu đa dạng hóa chủng tộc: Thu thập và bổ sung thêm khoảng 50.000 mẫu ảnh khuôn mặt thuộc nhiều nhóm nhân khẩu học và khu vực địa lý khác nhau ngoài bộ dữ liệu điện ảnh. Nhóm nghiên cứu thị giác máy tính cần triển khai kế hoạch trong thời gian 6 tháng để nâng cao độ bao phủ thực tế của mô hình.
3. Nén mô hình và chuyển đổi sang kiến trúc nhẹ (Lightweight CNN): Áp dụng kỹ thuật lượng tử hóa trọng số (Weight Quantization) và cắt tỉa mô hình (Pruning) để giảm khoảng 40% dung lượng mô hình. Các kỹ sư hệ thống nhúng đảm nhận triển khai trong 4 tháng để đưa mô hình lên các thiết bị phần cứng giới hạn như camera thông minh và thiết bị di động.
4. Tích hợp cơ chế Attention và học đa nhiệm (Multi-task Learning): Nâng cấp kiến trúc mạng để đồng thời nhận diện độ tuổi, giới tính và cảm xúc trên cùng một mô hình. Phòng nghiên cứu và phát triển (R&D) cần phối hợp thực hiện trong 6 tháng với mục tiêu nâng cao độ chính xác tổng thể thêm khoảng 5% đến 8%.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn là nguồn tham khảo giá trị cho các nhóm độc giả sau:

• Sinh viên và học viên cao học ngành Công nghệ Thông tin, Khoa học Máy tính: Cung cấp tài liệu học thuật bài bản về cách thức triển khai mạng nơ-ron tích chập từ lý thuyết toán học đến mã nguồn thực nghiệm trên tập dữ liệu ảnh thực tế.
• Kỹ sư phát triển thị giác máy tính và Trí tuệ nhân tạo (AI Engineers): Cung cấp ca nghiên cứu thực tế về quy trình xử lý dữ liệu ảnh khuôn mặt phức tạp, cách lựa chọn kích thước bộ lọc 3x3 và giải pháp chống quá khớp khi huấn luyện trên dữ liệu mất cân bằng.
• Nhà quản trị tiếp thị và chuyên gia phân tích dữ liệu bán lẻ: Nắm bắt cách thức công nghệ AI nhận diện độ tuổi khách hàng tự động để triển khai các màn hình quảng cáo thông minh và phân tích nhân khẩu học người mua tại cửa hàng.
• Chuyên gia an ninh và phát triển giải pháp kiểm soát truy cập: Tham khảo mô hình phân lớp độ tuổi tự động để tích hợp vào các hệ thống kiểm soát cửa thông minh, cảnh báo giới hạn độ tuổi xem nội dung hoặc vào các khu vực chỉ định.

Câu hỏi thường gặp

Mạng nơ-ron tích chập (CNN) có ưu điểm gì vượt trội so với các phương pháp học máy truyền thống trong phân loại độ tuổi? Mạng CNN tự động trích xuất các đặc trưng hình ảnh đa cấp thông qua các lớp tích chập với bộ lọc kích thước 3x3, loại bỏ hoàn toàn bước rút trích đặc trưng thủ công phức tạp của SVM hay GMM. Trong thực tế thử nghiệm, CNN xử lý tốt các ảnh chụp tự nhiên mà không đòi hỏi khuôn mặt phải căn chỉnh tuyệt đối ở góc chính diện.

Vì sao kích thước ảnh đầu vào lại được chuẩn hóa về mức 128x128 pixel thay vì giữ nguyên kích thước gốc? Bộ dữ liệu IMFDB có kích thước ảnh biến động lớn từ 13x22 pixel đến 543x616 pixel. Việc đưa về chuẩn 128x128 pixel đảm bảo duy trì đầy đủ các chi tiết nhận diện khuôn mặt như mắt, miệng và nếp nhăn, đồng thời giảm tải khoảng 60% chi phí tính toán phần cứng so với việc giữ độ phân giải lớn.

Kỹ thuật Dropout đóng vai trò gì trong kiến trúc mạng được đề xuất? Tại các lớp kết nối đầy đủ, nơ-ron có xu hướng phụ thuộc chặt chẽ vào nhau gây ra hiện tượng quá khớp (overfitting). Bằng cách ngắt kết nối ngẫu nhiên một tỷ lệ nơ-ron trong quá trình lan truyền xuôi, Dropout giúp mạng học được các biểu diễn đặc trưng bền vững, giữ vững độ chính xác trên 6.636 mẫu kiểm chứng.

Bộ dữ liệu IMFDB có đặc điểm gì đặc biệt khiến bài toán nhận diện trở nên thách thức? IMFDB gồm 26.742 bức ảnh được cắt từ hơn 100 video phim Ấn Độ của 100 diễn viên, chứa đựng nhiều biến động lớn về ánh sáng (thiếu sáng, chói sáng), góc mặt đa dạng và các vật cản như kính mắt hoặc râu tóc. Điều này mô phỏng sát sao môi trường thực tế hơn các bộ dữ liệu chụp trong phòng thí nghiệm.

Mô hình có thể mở rộng để phân loại các khoảng tuổi chi tiết hơn như từng 5 hoặc 10 tuổi không? Hoàn toàn có thể mở rộng bằng cách tăng số lượng nơ-ron ở lớp đầu ra Softmax và tái cấu trúc nhãn dữ liệu. Tuy nhiên, việc chia nhỏ khoảng tuổi đòi hỏi dữ liệu huấn luyện phải lớn hơn khoảng 2 đến 3 lần và cần áp dụng thêm các kỹ thuật mạng nơ-ron sâu hơn để đảm bảo độ chính xác phân lớp.

Kết luận

• Luận văn đã xây dựng thành công mô hình mạng nơ-ron tích chập tùy biến dựa trên kiến trúc 3 tầng tích chập và 3 tầng kết nối đầy đủ để phân loại độ tuổi qua ảnh khuôn mặt.
• Khai thác và xử lý hiệu quả bộ dữ liệu thực tế IMFDB với 26.742 hình ảnh, thiết lập quy trình tiền xử lý ảnh về kích thước chuẩn 128x128 pixel và phân chia tập mẫu khoa học (19.906 ảnh huấn luyện và 6.636 ảnh kiểm chứng).
• Ứng dụng thành công các kỹ thuật học sâu hiện đại gồm hàm kích hoạt ReLU, Softmax, bộ tối ưu hóa Adam, Dropout và tăng cường dữ liệu nhằm kiểm soát triệt để hiện tượng quá khớp.
• Đưa ra bức tranh toàn diện về các giải pháp nâng cấp mô hình theo hướng mạng nhẹ (Lightweight CNN) và tích hợp cơ chế đa nhiệm trong giai đoạn nghiên cứu tiếp theo kéo dài từ 3 đến 6 tháng.
• Khẳng định giá trị thực tiễn to lớn của việc tự động hóa ước tính độ tuổi trong các hệ thống bán lẻ thông minh, quảng cáo cá nhân hóa và giám sát an ninh công cộng.

Đóng góp chính của công trình là cung cấp một giải pháp phân lớp độ tuổi hiệu quả, có chi phí tính toán hợp lý và khả năng ứng dụng thực tiễn cao cho các bài toán thị giác máy tính tại Việt Nam. Quý độc giả, các nhà nghiên cứu và kỹ sư AI quan tâm có thể khai thác các kết quả và mô hình thực nghiệm trong luận văn này để phát triển và tích hợp vào các nền tảng trí tuệ nhân tạo thế hệ mới.

Trích đoạn nội dung tài liệu

chương I, luận văn đã trình bày tổng quan về bài toán phân loại độ tuổi qua ảnh mặt người, những ứng dụng của bài toán trong thực tế và hướng tiếp cận giải quyết bài toán dựa trên phương pháp học sâu sử dụng mạng nơ ron tích chập CNN. 10 CHƯƠNG 2: PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP 2. Giới thiệu về mạng nơ ron tích chập CNN là một trong những mô hình DL tiên tiến giúp cho chúng ta xây dựng được những hệ thống thông minh với độ chính xác cao như hiện nay. CNN được lấy cảm hứng từ vỏ não thị giác của con người, mỗi khi chúng ta nhìn thấy một vật nào đó, một loại các lớp tế bào thần kinh được kích hoạt, và mỗi lớp sẽ phát hiện ra một đặc trưng của đồ vật đó (hình dạng, kích thước, màu sắc,…).

Lớp thần kinh mà nhận dạng được càng nhiều đặc điểm của đồ vật thì việc nhận dạng hoặc phân loại đồ vật đó đối với con người sẽ trở nên dễ dàng hơn [10]. Ý tưởng đằng sau của mạng nơ ron tích chập là nó thực hiện quá trình trích lọc hình ảnh trước khi đưa vào quá trình huấn luyện, sau quá trình trích lọc thì chúng ta sẽ nhận được các đặc trưng trong hình ảnh đó, và từ các đặc trưng đó chúng ta có thể phát hiện ra những gì mình muốn trong hình ảnh đó. So với các thuật toán phân loại hình ảnh khác, mạng nơ ron tích chập sử dụng quá trình tiền xử lý tối thiểu, nghĩa là mạng học các bộ lọc thường được thiết kế bằng tay trong các hệ thống khác. Bởi vì CNN hoạt động với sự độc lập như vậy khỏi nỗ lực của con người, chúng mang lại nhiều lợi thế hơn các thuật toán khác.

Mục đích của CNN là giảm hình ảnh thành một hình thức dễ xử lý hơn và không mất đi các chi tiết hoặc tính năng quan trọng để hỗ trợ trong việc đưa ra các dự đoán. Điều này rất quan trọng khi chúng ta thiết kế mô hình không chỉ giỏi về các tính năng học tập mà còn xử lý được bộ dữ liệu lớn. Trước khi tìm hiểu về kiến trúc, mô hình của mạng nơ ron tích chập CNN em sẽ trình bày những khái niệm thường được sử dụng khi làm việc với mạng nơ ron CNN. Nhờ vào nguyên lý biến đổi thông tin, các nhà khoa học đã áp dụng kĩ thuật này vào xử lý ảnh và video số.

Để dễ hình dung, ta có thể xem tích chập nhƣ một cửa sổ trượt (sliding window) áp đặt lên một ma trận. Bạn có thể theo dõi cơ chế của tích chập qua hình minh họa bên dưới.1 Minh học phép toán tích chập [10] Ma trận bên trái là một bức ảnh đen trắng. Mỗi giá trị của ma trận tương đương với một điểm ảnh (pixel), 0 là màu đen, 1 là màu trắng (nếu là ảnh grayscale thì giá trị biến thiên từ 0 đến 255). Sliding window còn có tên gọi là kernel, filter hay feature detector.

Ở đây, ta dùng một ma trận filter 3×3 nhân từng thành phần tương ứng (element-wise) với ma trận ảnh bên trái. Gía trị đầu ra do tích của các thành phần này cộng lại. Kết quả của tích chập là một ma trận (convoled feature) sinh ra từ việc trượt ma trận filter và thực hiện tích chập cùng lúc lên toàn bộ ma trận ảnh bên trái. Dưới đây là một vài ví dụ của phép toán tích chập.

Ta có thể làm mờ bức ảnh ban đầu bằng cách lấy giá trị trung bình của các điểm ảnh xung quanh cho vị trí điểm ảnh trung tâm.2 Minh họa phép tích chập với bộ lọc [14] Ngoài ra, ta có thể phát hiện biên cạnh bằng cách tính vi phân (độ dị biệt) giữa các điểm ảnh lân cận.3 Minh họa phép tích chập với bộ lọc cạnh [14] b. Lớp tích chập (Convolutional Layers) Lớp tích chập được dung để phát hiện và trích xuất đặc trưng – chi tiết của ảnh. Giống như các lớp ẩn khác, lớp tích chập lấy dữ liệu đầu vào, thực hiện các phép chuyển đổi để tạo ra dữ liệu đầu vào cho lớp kế tiếp (đầu ra của lớp này là đầu vào của lớp sau). Phép biến đổi được sử dụng là phép tính tích chập.

Mỗi lớp tích chập 13 chứa một hoặc nhiều bộ lọc - bộ phát hiện đặc trưng (filter - feature detector) cho phép phát hiện và trích xuất những đặc trưng khác nhau của ảnh. Đặc trưng ảnh là những chi tiết xuất hiện trong ảnh, từ đơn giản như cạnh, hình khối, hình tam giác, chữ viết tới phức tạp như mắt, mặt, chó, mèo, bàn, ghế, xe, đèn giao thông. Bộ lọc phát hiện đặc trưng của ảnh là bộ lọc giúp phát hiện và trích xuất các đặc trưng của ảnh, có thể là bộ lọc góc, cạnh, đường chéo, hình tròn, hình vuông, v. Bộ lọc (Kernel/Filter) Độ phức tạp của đặc trưng được phát hiện bởi bộ lọc tỉ lệ thuận với độ sâu của lớp tích chập mà nó thuộc về.

Nghĩa là bộ lọc ở lớp tích chập càng sâu thì phát hiện các đặc trưng càng phức tạp. Trong mạng CNN, những lớp tích chập đầu tiên sử dụng bộ lọc hình học (geometric filters) để phát hiện những đặc trưng đơn giản như cạnh ngang, dọc, chéo của bức ảnh. Những lớp tích chập sau đó được dùng để phát hiện đối tượng nhỏ, bán hoàn chỉnh như mắt, mũi, tóc, v. Những lớp tích chập sâu nhất dùng để phát hiện đối tượng hoàn hỉnh như: chó, mèo, chim, ô tô, đèn giao thông, v.

Mục đích của việc tích chập (Convolutional) là để lấy ra được các hình dạng (pattern) trong hình ảnh bằng cách sử dụng các bộ lọc (Filter/Kernel) [2]. Kernel có thể được coi là tham số của mô hình CNN và được sử dụng để tính toán tích chập (convolve) trên ảnh. Chúng ta có thể thấy thao tác tích chập được mô tả trong hình dưới (Hình 2.4 Bộ lọc W (kernel) [10] Ta định nghĩa kernel là một ma trận vuông kích thước k*k trong đó k là số lẻ. k có thể bằng 1, 3, 5, 7, 9,… Ví dụ kernel kích thước 3*3 Kí hiệu phép tính tích chập (⊗), kí hiệu Y = X ⊗ W, Y = X ⊗W.

Với mỗi phần tử x{ij}xij trong ma trận X lấy ra một ma trận có kích thước bằng kích thước của bộ lọc W có phần tử x{ij} xij làm trung tâm (đây là vì sao kích thước của kernel thường lẻ) gọi là ma trận A. Sau đó tính tổng các phần tử của phép tính element-wise của ma trận A và ma trận W, rồi viết vào ma trận kết quả Y. Tức mỗi phần của image sẽ được nhân tích chập với kernel để tạo thành một ma trận mới - làm đầu vào cho lớp tiếp theo. Một kernel có hai tham số cần quan tâm đến đó là stride và size.

Size là kích thước của một kernel (có thể là kích thước của một hình chữ nhật bất kì) và stride là số bước nhảy của kernel. Nếu stride bằng 1 thì gần như toàn bộ pixel trên ảnh sẽ được trượt qua và tính tích chập. Nếu stride bằng 2 chúng ta cứ cách 2 pixel lại tính tích chập một lần và như vậy số lượng pixel của ảnh đầu ra bị giảm đi một nửa so với stride = 1. Để hiểu cách thức hoạt động của lớp tích chập cũng như phép tính tích chập, hãy cùng xem ví dụ về bộ lọc phát hiện cạnh (edge filters/ detectors) dưới đây.

15 Ví dụ về bộ lọc cạnh Trong ví dụ này, CNN được sử dụng để phân loại tập các ảnh viết tay của các số từ 00 tới 99. Đầu vào là những bức ảnh trắng đen (Gray Scale) và được biểu diễn bởi một ma trận các điểm ảnh với kích thước cố định h × wh × w. Lớp tích chập đầu tiên của CNN sử dụng 44 bộ lọc kích thước 3×33×3: F1F1, F2F2, F3F3, F4F4 với giá trị tương ứng như trong hình 1. Các giá trị tại mỗi ô của các bộ lọc có thể được biểu diễn bởi màu sắc tương ứng với Đen (−1−1), Xám (00), Trắng (11) như trong hình dưới đây.5 Các Bộ lọc cạnh với kích thước 3 x 3 [10] Để minh hoạ cho phép nhân chập, chúng ta sử dụng đầu vào là một bức ảnh viết tay của số 77, biểu diễn dưới dạng ma trận 30×2230×22 và áp dụng riêng biệt từng bộ lọc ở trên.

Phép nhân tích chập được thực hiện bằng cách trượt ma trận lọc 3×33×3 trên ma trận ảnh đầu vào 32×2232×22 (bộ lọc dịch sang phải/ xuống dưới 11 cột/ hàng mỗi một lần trượt) cho đến khi nó đi qua hết tất cả các vùng kích thước 3×33×3. Việc trượt ma trận lọc trên ma trận đầu vào được gọi là “chập” (convoling). Như minh hoạ trong hình 2, ma trận F1F1 được chập với từng vùng (block - region) điểm ảnh kích thước 3×33×3 của ảnh đầu vào. Tại mỗi vị trí di chuyển của ma trận F1F1, giá trị đầu ra được tính bằng tích chập (dot-product) của ma trận F1F1 với vùng bao phủ tương ứng.

Minh họa phép nhân chập với bộ lọc cạnh Ô đầu tiên (0, 0) (0, 0) của ma trận đầu ra (giá trị 0.01) ra là kết quả của phép nhân chập giữa ma trận F1F1 với góc trái trên cùng của ma trận đầu vào và được tính như sau: 17 Hình 2. Kết quả của phép tích chập với bộ lọc cạnh [10] Từ các ma trận đầu ra kích thước 28×2028×20, chúng ta thấy được cả bốn bộ lọc F1F1, F2F2, F3F3 và F4F4 dều được sử dụng để phát hiện cạnh trong bức ảnh (thể hiện bởi những điểm ảnh sáng hơn) (Hình 2.8): F1: Phát hiện cạnh đứng phải. F2: Phát hiện cạnh đứng trái. F3: Phát hiện cạnh ngang dưới.

F4: Phát hiện cạnh ngang trên. Ví dụ về bộ lọc cạnh Trong bước thực hiện tích chập của màng còn có thêm hai thuộc tính đấy là stride và padding. Stride là khoảng cách giữa 2 kernel khi thực hiện quét. Với stride = 1, kernel sẽ quét 2 ô ngay cạnh nhau, nhưng với stride = 2, kernel sẽ quét ô số 1 và ô số 3.

Bỏ qua ô ở giữa. Điều này nhằm tránh việc lặp lại giá trị ở các ô đã quét. Chúng ta chọn thông số của stride và của kernel càng lớn thì size của feature map càng nhỏ, một phần lý do đó là bởi kernel phải nằm hoàn toàn trong input. Có một cách để giữ nguyên kích cỡ của feature map so với ban đầu.

Đấy là Padding. Khi ta điều chỉnh padding = 1, là thêm 1 vùng điểm ảnh xung quanh viền của hình ảnh đầu vào (Hình 2.9), muốn phần viền xung quanh càng dày thì ta cần phải tăng giá trị padding lên.9 Phép tích chập với giá trị padding bằng 1 [11] d.