Tổng quan về luận án

Bối cảnh bùng nổ của thiết bị thu nhận hình ảnh kỹ thuật số và các nền tảng mạng xã hội đa phương tiện đã tạo ra những kho dữ liệu ảnh khổng lồ với tốc độ gia tăng từng giây. Để khai thác hiệu quả nguồn tài nguyên này, bài toán tra cứu ảnh theo nội dung (Content-Based Image Retrieval - CBIR) đóng vai trò then chốt nhưng liên tục đối mặt với thách thức cốt lõi: "khoảng trống ngữ nghĩa giữa đặc trưng mức thấp (màu sắc, hình dạng, kết cấu) được trích rút từ ảnh và nhận thức của người về ảnh". Cơ chế phản hồi liên quan (Relevance Feedback - RF) được đưa vào như một cầu nối tương tác nhằm nắm bắt nhận thức người dùng, song lại phát sinh các nút thắt kỹ thuật nghiêm trọng về "lời nguyền số chiều" (curse of dimensionality), sự bất đối xứng dữ liệu mẫu và cấu trúc phân bố phi tuyến tính. Luận án tiến sĩ ngành Máy tính (mã số 9 48 01 01) của nghiên cứu sinh Cù Việt Dũng, thực hiện dưới sự hướng dẫn của PGS. Nguyễn Hữu Quỳnh và PGS. Ngô Quốc Tạo tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2023), mang tính tiên phong khi giải quyết đồng bộ các hạn chế này thông qua tiếp cận học đa tạp kết hợp học bán giám sát trên đồ thị.

Nghiên cứu tập trung giải quyết ba khoảng trống học thuật (research gaps) chính:

  1. Các phương pháp giảm chiều truyền thống toàn cục (PCA, LDA) hay cục bộ (LPP, MMP) bỏ qua liên kết ngữ nghĩa giữa các mẫu liên quan nằm ở các lân cận/không gian con khác nhau.
  2. Tập mẫu phản hồi từ người dùng có kích thước rất nhỏ và "mất cân bằng giữa hai lớp dương và lớp âm", trong khi lượng lớn dữ liệu chưa gán nhãn bị bỏ phí.
  3. Việc sử dụng một bộ phân lớp đơn lẻ không đủ năng lực bao quát các khía cạnh trực quan đa chiều của đối tượng ảnh.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết tương ứng:

  • RQ1: Làm thế nào để xây dựng một phép chiếu tối ưu bảo toàn cả cấu trúc hình học cục bộ và phân biệt ngữ nghĩa giữa các mẫu ở nhiều lân cận khác nhau?
    • H1: Phép chiếu phân biệt lớp ngữ nghĩa (SCDPIR) tối ưu hóa hàm mục tiêu đồ thị lân cận kép sẽ làm tăng độ phân tách giữa mẫu dương và mẫu âm trên không gian đa tạp chiều thấp.
  • RQ2: Làm thế nào để khắc phục hiện tượng mất cân bằng dữ liệu nghiêm trọng trong tập phản hồi có kích thước nhỏ?
    • H2: Kỹ thuật học bán giám sát lan truyền nhãn trên đồ thị (BSFG) kết hợp phân chia vết cắt chuẩn hóa (Normalized Cut - Ncut) tự động bổ sung chính xác các mẫu giả dương (pseudo-positive samples).
  • RQ3: Làm thế nào để tích hợp tối ưu các biểu diễn phân lớp từ nhiều đặc trưng thị giác khác nhau?
    • H3: Bộ phân lớp kết hợp đa khía cạnh (CMAC) nâng cao độ chính xác phân hạng tổng thể so với các bộ phân lớp đơn lẻ.

Nghiên cứu được định hình trên nền tảng lý thuyết học đa tạp (Manifold Learning), lý thuyết học thống kê (Statistical Learning Theory) với Máy véc tơ hỗ trợ (SVM), và lý thuyết phổ đồ thị (Spectral Graph Theory). Về mặt định lượng, nghiên cứu triển khai thực nghiệm nghiêm ngặt trên tập dữ liệu chuẩn Corel 10.800 ảnh (80 chủ đề, véc tơ đặc trưng 190 chiều kết hợp màu sắc và kết cấu) cùng kiểm chứng chéo 4 phần (4-fold cross-validation), chứng minh sự vượt trội về độ chính xác trung bình (Average Precision - AP) và đường cong Precision-Scope tại các phạm vi trả về thực tế ($P@20$).

Literature Review và Positioning

Nghiên cứu tổng quan hệ thống hóa quá trình phát triển của CBIR qua các giai đoạn:

[Trích rút đặc trưng mức thấp / Thủ công]
[Khoảng trống ngữ nghĩa (Semantic Gap)]
[Cơ chế Phản hồi liên quan (Relevance Feedback - RF)]
[Học giảm chiều & Khám phá cấu trúc đa tạp]
[Đóng góp đột phá của Luận án: SCDPIR + BSFG + CMAC]

Trong lý thuyết giảm chiều không gian đặc trưng, các kỹ thuật toàn cục kinh điển như Phân tích thành phần chính (PCA) của Pearson (1901) và Phân tích phân biệt tuyến tính (LDA) của Fisher (1936) chỉ xử lý cấu trúc không gian Euclide thuần túy. Khi áp dụng vào CBIR với RF, LDA nhanh chóng bộc lộ điểm yếu do hiện tượng ma trận phân tán nội lớp bị suy biến (singularity) khi kích thước mẫu nhỏ hơn số chiều ($N \ll D$).

Để khám phá hình học phi tuyến, các phương pháp học đa tạp không giám sát ra đời như Nhúng tuyến tính cục bộ (LLE - Roweis & Saul, 2000), Isomap (Tenenbaum et al., 2000), Laplacian Eigenmaps (Belkin & Niyogi, 2003) và Chiếu bảo toàn cục bộ (LPP - He et al., 2005). Tuy nhiên, do hoàn toàn không giám sát, các phương pháp này không tận dụng được nhãn phản hồi từ người dùng, dẫn đến khả năng phân tách ngữ nghĩa thấp. Các kỹ thuật có giám sát tiếp theo như Phân tích lề Fisher (MFA - Yan et al., 2007), Nhúng lân cận phân biệt (DNE - Zhang et al., 2007) và Nhúng lân cận phân biệt trên đồ thị lân cận kép (DAG-DNE - Zhou et al., 2010) đã kết hợp thông tin nhãn để tối đa hóa độ phân tán ngoại lớp và thu nhỏ độ phân tán nội lớp. Tuy vậy, DAG-DNE cố định số chiều chiếu và dễ quá khớp khi số mẫu có nhãn quá ít.

Ở nhánh tiếp cận bán giám sát, Nhúng quan hệ gia tăng (ARE - He et al., 2004) mã hóa phản hồi thành các đồ thị tương tự và phân biệt, nhưng lại gán trọng số ngang bằng giữa mẫu có nhãn và không nhãn. Phương pháp Chiếu lề cực đại cho tra cứu ảnh (MMP - He et al., 2008) cải tiến bằng cách tối đa hóa lề giữa mẫu dương và âm trong từng lân cận cục bộ. Dẫu vậy, tranh luận học thuật cốt lõi nảy sinh: MMP và các nghiên cứu cùng thời chỉ giả định mẫu liên quan tập trung trong một lân cận duy nhất, hoàn toàn bỏ qua thực tế rằng "các điểm thuộc lớp dương có thể nằm trên nhiều không gian con khác nhau... trong khi các điểm thuộc lớp âm nằm trên ba không gian con khác nhau".

So sánh đối sánh quốc tế:

  • So với MMP (He et al., 2008): MMP bỏ qua liên kết giữa các mẫu dương ở hai vùng lân cận tách rời, làm giảm khả năng khái quát hóa khi đối tượng có biến thể thị giác lớn; phương pháp SCDPIR của luận án khắc phục triệt để bằng cách thiết lập đồ thị liên kết ngữ nghĩa liên lân cận.
  • So với DAG-DNE (Zhou et al., 2010): DAG-DNE bị giới hạn bởi số chiều cố định và chỉ hoạt động có giám sát; giải pháp của luận án linh hoạt tối ưu hóa số chiều chiếu thông qua giải bài toán trị riêng tổng quát và mở rộng sang cơ chế bán giám sát.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Học thống kê của Vapnik (1995) và Lý thuyết Nhúng đa tạp đồ thị (Graph Embedding Framework) của Yan et al. (2007) thông qua ba mệnh đề toán học:

  • Mệnh đề 1 (Đa tạp ngữ nghĩa phân mảnh): Các mẫu hình ảnh có cùng khái niệm ngữ nghĩa mức cao không nhất thiết phân bố trên một siêu mặt phẳng Euclide liên tục đơn lẻ, mà cấu thành từ tập hợp nhiều đa tạp con cục bộ (local sub-manifolds).
  • Mệnh đề 2 (Bảo toàn phân biệt liên lân cận): Một ma trận chiếu tối ưu $W$ phải đồng thời cực tiểu hóa khoảng cách giữa các mẫu dương thuộc các lân cận khác nhau và cực đại hóa khoảng cách giữa mẫu dương với mẫu âm thuộc mọi lân cận trong không gian chiếu mới $Y = W^T X$.
  • Mệnh đề 3 (Cân bằng bán giám sát chuyển nạp): Việc mở rộng tập mẫu dương thông qua khai thác phân vùng phổ đồ thị chuyển nạp (transductive graph spectral partitioning) trên tập mẫu chưa gán nhãn sẽ làm dịch chuyển siêu phẳng tách của SVM về vị trí tối ưu Bayes.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột phương pháp luận:

[Không gian đặc trưng gốc 190 chiều]
[Xây dựng hệ thống đồ thị lân cận]
[1. Học chiếu phân biệt lớp ngữ nghĩa - SCDPIR]
[2. Cân bằng mẫu phản hồi trên đồ thị - BSFG]
[3. Phân loại kết hợp đa khía cạnh - CMAC]

Khung phân tích xác lập các điều kiện biên (boundary conditions): số lượng mẫu phản hồi khởi tạo $K$ ($K=20$), số lượng lân cận $k$-NN xác định cấu trúc đa tạp, tham số điều hòa cân bằng giữa độ bảo toàn hình học và độ phân biệt ngữ nghĩa, cùng hàm nhân RBF $K(x,y) = \exp(-|x-y|^2)$ trên không gian chiếu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng (positivism) với quy trình suy diễn thực nghiệm chặt chẽ. Hệ thống sử dụng thiết kế đa tầng kết hợp trích rút đặc trưng đa mô thức, học máy bán giám sát và tối ưu hóa ma trận.

Cơ sở dữ liệu ảnh thực nghiệm chính là tập Corel 10.800 ảnh màu phong cảnh, chuẩn hóa thành 80 nhóm ngữ nghĩa rõ rệt (mỗi nhóm trung bình 100 ảnh, kích thước ảnh $120 \times 80$ hoặc $80 \times 120$). Ngoài ra, luận án đối chiếu đặc tính với các tập dữ liệu quốc tế: SIMPLIcity (1.000 ảnh, 10 chủ đề), Oxford Building (5.062 ảnh, 11 địa danh kiến trúc) và Caltech-101 (8.742 ảnh, 101 danh mục đối tượng).

Quy trình nghiên cứu rigorous

Quy trình trích rút đặc trưng tạo lập véc tơ 190 chiều chuẩn hóa cho từng ảnh $I \in DB$:

  1. Lược đồ màu (Color Histogram) trong không gian HSV: lượng tử hóa 8 bins cho kênh H, 2 bins cho kênh S, 2 bins cho kênh V $\rightarrow$ véc tơ 32 chiều.
  2. Tương quan màu (Color Correlogram) trong không gian RGB: lượng tử hóa 4 bins cho mỗi kênh R, G, B $\rightarrow$ véc tơ 64 chiều.
  3. Mô men màu (Color Moments) trên RGB: tính giá trị trung bình (mean) và độ lệch chuẩn (standard deviation) cho 3 kênh $\rightarrow$ véc tơ 6 chiều.
  4. Đặc trưng Gabor Wavelet: tính meanSquaredEnergy và meanAmplitude qua 4 tỷ lệ (scale: 0.05, 0.1, 0.2, 0.4) và 6 hướng $\rightarrow$ véc tơ 48 chiều.
  5. Biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT): phân tách 3 mức, trích xuất giá trị trung bình và độ lệch chuẩn của các hệ số $\rightarrow$ véc tơ 40 chiều.

Quy trình đánh giá thực hiện kiểm chứng chéo 4 phần (4-fold cross-validation): chia 80 chủ đề thành 4 tập con độc lập; tại mỗi lượt, 1 tập con đóng vai trò ảnh truy vấn ngoài cơ sở dữ liệu, 3 tập con còn lại đóng vai trò kho lưu trữ đối sánh. Hệ thống áp dụng cơ chế phản hồi mô phỏng tự động (simulated RF) qua 2 vòng lặp tương tác liên tiếp.

[Pha ngoại tuyến (Offline)]

[Pha trực tuyến (Online)]
  Tập kết quả khởi tạo (Top-K = 28 ảnh)
  Phản hồi người dùng: Chọn mẫu dương (+), mẫu âm (-), lấy thêm K/2 mẫu chưa gán nhãn
  Xuất tập ảnh kết quả tinh chỉnh (Precision@K vượt trội)

Data và phân tích

Độ chính xác được đo lường qua các chỉ số chuẩn hóa: $$\text{Precision} = \frac{TP}{TP + FP}$$ $$\text{Average Precision (AP)} = \frac{1}{N} \sum_{i=1}^{N} \text{Precision}(i)$$

Quy trình tối ưu hóa giải bài toán ma trận phân tán trong thuật toán SCDPIR: Thiết lập đồ thị lân cận gần nhất $G_F$, đồ thị quan hệ cùng lớp $G_R$ và đồ thị khác lớp $G_{IR}$. Ma trận chiếu tối ưu $W = [w_1, w_2, \dots, w_d]$ được xác định qua bài toán quy hoạch mục tiêu: $$\max_W \frac{\text{tr}(W^T S_b W)}{\text{tr}(W^T S_w W)}$$ trong đó $S_b$ là ma trận phân tán giữa các lớp ngữ nghĩa liên lân cận và $S_w$ là ma trận phân tán nội lân cận có tính đến trọng số hình học cục bộ. Nghiệm của $W$ tương ứng với các véc tơ riêng ứng với các trị riêng lớn nhất của ma trận $S_w^{-1} S_b$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của SCDPIR: Tại vòng phản hồi thứ nhất trên tập Corel 10.800, độ chính xác tra cứu tại 20 ảnh trả về ($P@20$) của SCDPIR vượt xa phương pháp Baseline Euclid và các thuật toán học đa tạp tiên tiến quốc tế (MMP, DSSA, DAG-DNE).
Thuật toán / Phương pháp Đặc tính học đa tạp Cân bằng mẫu P@20 Vòng 1 (%) Cải thiện so với Baseline (%)
Baseline (Euclid) Không (Không gian gốc 190D) Không ~38.5 -
MMP (He et al., 2008) Bán giám sát (Cục bộ 1 lân cận) Không ~52.1 +13.6
DSSA Không gian con phân biệt Không ~54.3 +15.8
DAG-DNE (Zhou et al., 2010) Có giám sát (Đồ thị kép) Không ~58.7 +20.2
SCDPIR (Đề xuất) Bán giám sát liên lân cận Có (kết hợp) ~67.4 +28.9
SCDPIR + BSFG + CMAC Đa tạp toàn diện đa khía cạnh Có (BSFG Ncut) ~74.8 +36.3
  1. Khắc phục triệt để lời nguyền số chiều: Dữ liệu từ không gian gốc 190 chiều khi chiếu sang không gian SCDPIR tối ưu ($d \in [15, 30]$) không những không mất mát thông tin ngữ nghĩa mà còn loại bỏ hoàn toàn các chiều nhiễu, tăng tốc độ tính toán đối sánh trực tuyến.
  2. Cơ chế cân bằng mẫu BSFG xóa bỏ thiên vị phân lớp: Phân tích ma trận nhầm lẫn cho thấy phương pháp O-SVM truyền thống bị kéo lệch nghiêm trọng về phía lớp âm do tỷ lệ mẫu âm áp đảo ($14/7$). Kỹ thuật BSFG sử dụng Normalized Cut tự động bổ sung mẫu dương chính xác, nâng cao độ nhạy (Recall) của mô hình phân loại.
  3. Hội tụ nhanh chỉ sau 2 vòng phản hồi: Đường cong Precision-Scope chứng minh hệ thống đạt trạng thái bão hòa độ chính xác cao ngay từ vòng lặp phản hồi thứ 2, đáp ứng hoàn hảo ngưỡng chịu đựng tâm lý của người dùng cuối.

Implications đa chiều

  • Lý thuyết: Chứng minh tính tất yếu của việc mô hình hóa các lớp ngữ nghĩa thị giác dưới dạng tập hợp đa tạp phân mảnh thay vì một siêu mặt cầu hay không gian lồi đơn nhất.
  • Phương pháp luận: Cung cấp khung thuật toán hoàn chỉnh kết hợp giữa tối ưu hóa ma trận phân tán phổ đồ thị và phân lớp SVM nhân RBF, có thể áp dụng cho các dạng dữ liệu đa phương tiện phi cấu trúc khác.
  • Thực tiễn & Công nghiệp: Tối ưu hóa các hệ thống quản trị tài sản số (Digital Asset Management), hệ thống gợi ý sản phẩm thương mại điện tử qua hình ảnh, và tra cứu dữ liệu viễn thám/ảnh y khoa (chẩn đoán X-ray, MRI) nơi việc gán nhãn thủ công đòi hỏi chi phí chuyên gia cực kỳ đắt đỏ.
  • Chính sách & Chuẩn hóa: Định hình tiêu chuẩn kỹ thuật cho việc xây dựng cơ sở dữ liệu số quốc gia, bảo tồn di sản văn hóa thông qua công nghệ số hóa hình ảnh có khả năng truy vấn nội dung chính xác cao.

Limitations và Future Research

Luận án thẳng thắn chỉ rõ 3 hạn chế nội tại:

  1. Độ phức tạp tính toán đồ thị Laplacian: Quá trình xây dựng ma trận kề $k$-NN và giải bài toán trị riêng tổng quát có độ phức tạp bậc $O(N^3)$, gây áp lực tài nguyên khi quy mô tập dữ liệu mở rộng lên hàng triệu ảnh nếu không có cấu trúc chỉ mục gần đúng.
  2. Phụ thuộc vào chất lượng đặc trưng thủ công ban đầu: Nghiên cứu xây dựng trên véc tơ đặc trưng kết hợp 190 chiều (HSV, Gabor, Wavelet). Mặc dù các đặc trưng này mang tính kiểm soát cao về mặt toán học, chúng vẫn chưa đạt độ linh hoạt biểu diễn trừu tượng như các mô hình mạng nơ-ron tích chập sâu (CNN) hay Vision Transformers (ViT).
  3. Giả định phản hồi mô phỏng: Môi trường kiểm thử sử dụng phản hồi tự động dựa trên nhãn tin cậy nền, chưa phản ánh toàn diện các yếu tố nhiễu nhận thức chủ quan và độ trễ ngẫu nhiên của người dùng thực tế.

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

  • Tích hợp SCDPIR vào tầng nhúng đặc trưng của các kiến trúc học sâu (Deep Manifold Metric Learning) như ResNet, EfficientNet hoặc CLIP.
  • Mở rộng thuật toán BSFG sang cơ chế học trực tuyến trực tiếp (Online Streaming Graph Transduction) để cập nhật ma trận chiếu theo thời gian thực mà không cần tính toán lại toàn bộ đồ thị.
  • Phát triển cơ chế phản hồi đa phương thức kết hợp văn bản và hình ảnh (Cross-modal Text-Image Feedback).
  • Nghiên cứu giải thuật xấp xỉ phổ đồ thị phân tán chạy trên kiến trúc phần cứng GPU/TPU nhằm đáp ứng tập dữ liệu quy mô web.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Công trình đóng góp nền tảng toán học vững chắc cho chuyên ngành Máy tính và Thị giác máy tính tại Việt Nam, mở ra hướng kết hợp giữa học đa tạp và học bán giám sát. Các bài báo khoa học xuất bản từ luận án tạo tiền đề trích dẫn quan trọng cho các nghiên cứu CBIR khu vực.
  • Chuyển đổi công nghiệp: Tạo cơ sở chuyển giao công nghệ cho các công ty giải pháp phần mềm, hệ sinh thái thương mại điện tử, các cơ quan lưu trữ báo chí truyền thông cần công cụ tìm kiếm dữ liệu ảnh lớn với chi phí hạ tầng thấp.
  • Lợi ích xã hội: Hỗ trợ đắc lực công tác bảo tồn, tra cứu di sản văn hóa, bảo tàng số, và nâng cao hiệu quả tìm kiếm thông tin thị giác cho cộng đồng nghiên cứu và công chúng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận một phương pháp luận mẫu mực về kết hợp lý thuyết phổ đồ thị, tối ưu ma trận và học bán giám sát giải quyết bài toán giảm chiều.
  • Giảng viên & Chuyên gia Thị giác máy tính: Tài liệu tham khảo học thuật chuyên sâu về cấu trúc đa tạp phi tuyến và kỹ thuật phản hồi liên quan trong CBIR.
  • Kỹ sư R&D Hệ thống Đa phương tiện: Ứng dụng trực tiếp thuật toán SCDPIR và BSFG để nâng cấp độ chính xác của các công cụ tìm kiếm ảnh nội bộ mà không đòi hỏi chi phí gán nhãn lớn.
  • Cơ quan quản lý & Cơ sở dữ liệu quốc gia: Khung giải pháp khoa học tin cậy để triển khai các hệ thống lưu trữ, phân loại và tra cứu ảnh tài liệu số hóa quy mô lớn.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng khung lý thuyết Nhúng đa tạp đồ thị (Graph Embedding) để giải quyết bài toán Đa tạp ngữ nghĩa phân mảnh. Khác với các phương pháp tiền bối (như MMP của He et al., 2008 chỉ xem xét từng lân cận riêng lẻ), SCDPIR lần đầu tiên thiết lập toán học cho ma trận phân tán liên lân cận $S_b$, ép các cụm mẫu dương ở các không gian con rời rạc phải co cụm lại gần nhau trong không gian chiếu, đồng thời đẩy xa các mẫu âm ở mọi phân vùng.

  2. Phương pháp SCDPIR đổi mới như thế nào so với các nghiên cứu quốc tế tiêu biểu? So với MMP (He et al., 2008), SCDPIR giải quyết dứt điểm sự cô lập giữa các lân cận. So với DAG-DNE (Zhou et al., 2010), SCDPIR không bị gò bó vào số chiều cố định mà cho phép tối ưu hóa chiều không gian chiếu linh hoạt theo phổ trị riêng, đồng thời tận dụng hiệu quả lượng lớn dữ liệu chưa gán nhãn thông qua học bán giám sát.

  3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong nghiên cứu? Việc giảm số chiều từ véc tơ gốc 190 chiều xuống không gian chiếu chỉ còn 15 đến 30 chiều lại cho độ chính xác tra cứu ($P@20$) cao hơn đáng kể (tăng từ 38.5% lên 67.4%) so với việc giữ nguyên toàn bộ 190 chiều trong không gian gốc. Điều này chứng minh không gian đặc trưng mức thấp chứa đựng lượng lớn thông tin dư thừa và nhiễu phi tuyến gây hại cho bộ phân lớp.

  4. Giao thức nhân bản (Replication Protocol) có được cung cấp rõ ràng không? Hoàn toàn minh bạch và chi tiết. Luận án cung cấp tường minh: cấu trúc trích rút 5 thành phần véc tơ đặc trưng 190 chiều; công thức toán học xây dựng các ma trận kề, ma trận bậc $D$, ma trận liên thuộc $B(G)$; thuật toán giải trị riêng tổng quát; tham số bộ phân lớp SVM (hàm nhân RBF); cùng kịch bản kiểm chứng chéo 4 phần trên tập dữ liệu chuẩn Corel 10.800 ảnh.

  5. Chương trình nghiên cứu 10 năm tới mở ra từ luận án gồm những gì? Trọng tâm là sự hợp nhất giữa Học đa tạp hình học (Geometric Manifold Learning) và Học biểu diễn sâu (Deep Representation Learning), hướng tới việc nhúng trực tiếp các ràng buộc bảo toàn đa tạp phân mảnh vào hàm mất mát (loss function) của các mô hình nền tảng đa mô thức (Multimodal Foundation Models), xử lý dữ liệu quy mô hàng tỷ đối tượng phân tán.

Kết luận

  1. Xây dựng thành công phương pháp chiếu SCDPIR: Đề xuất thuật toán tìm ma trận chiếu tối ưu khai thác trọn vẹn cấu trúc hình học phi tuyến và mối quan hệ ngữ nghĩa liên lân cận của các mẫu phản hồi.
  2. Giải quyết triệt để bài toán mất cân bằng dữ liệu với BSFG: Ứng dụng xuất sắc học bán giám sát trên đồ thị kết hợp Normalized Cut để tự động gán nhãn mẫu giả dương, cân bằng tập huấn luyện cho bộ phân loại.
  3. Thiết lập mô hình phân loại đa khía cạnh CMAC: Hợp nhất các góc nhìn thị giác độc lập tạo nên bộ phân lớp SVM mạnh mẽ, nâng cao rõ rệt độ chính xác phân hạng lại.
  4. Kiểm chứng thực nghiệm nghiêm ngặt và toàn diện: Chứng minh tính vượt trội trên tập dữ liệu chuẩn Corel 10.800 ảnh với độ chính xác trung bình và $P@20$ vượt bậc so với các phương pháp Baseline, MMP, DSSA và DAG-DNE.
  5. Đóng góp giá trị học thuật và thực tiễn cao: Cung cấp hệ thống giải pháp toán học hoàn chỉnh thu hẹp khoảng trống ngữ nghĩa trong CBIR, tạo nền tảng vững chắc cho các hệ thống tìm kiếm đa phương tiện thông minh thế hệ mới.