Tổng quan về luận án
Luận án tiến sĩ toán học với đề tài "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), được thực hiện tại Viện Khoa học và Công nghệ Quân sự (Hà Nội, 2023). Nghiên cứu giải quyết bài toán cốt lõi trong thị giác máy tính (Computer Vision - CV): theo bám đơn đối tượng trực quan (Visual Object Tracking - VOT) trong luồng video kỹ thuật số với độ chính xác cao và khả năng đáp ứng thời gian thực (real-time).
Chuỗi Video V = [I_1, I_2, ..., I_T] (với I_1 gán nhãn b_1)
│
├──► Nhánh Mẫu z (Template Branch) ──► Backbone (ResNet-50 Tinh chỉnh) ──► Đặc trưng z (256-dim)
│ │
│ [Mô-đun Tích hợp]
│ (Attention / Linear Transformer)
│ │
└──► Nhánh Tìm kiếm x (Search Branch) ──► Backbone (ResNet-50 Tinh chỉnh) ──► Đặc trưng x (256-dim)
│
▼
[Mạng Dự đoán Anchor-Free (Point-based)]
├── Phân loại Đối tượng / Nền
├── Hồi quy Khoảng cách (l, t, r, b)
└── Điểm Tin cậy Tâm (Centerness)
│
▼
Khung bao b_t tại mỗi khung hình t ≥ 2
Bối cảnh khoa học và tính tiên phong
Theo bám đơn đối tượng là bài toán ước lượng quỹ đạo mục tiêu $b_t$ tại các khung hình thời gian $t > 1$ từ trạng thái khởi tạo $b_1$ ở khung hình $I_1$. Nhiệm vụ này là tiền đề then chốt cho các ứng dụng an ninh quốc phòng (chống máy bay không người lái - Anti-UAV, dẫn đường tên lửa, chỉ thị mục tiêu từ trên không) và dân sự (xe tự hành, giám sát giao thông thông minh, thực tế tăng cường).
Trước làn sóng học sâu, các bộ lọc tương quan phân biệt (Discriminative Correlation Filters - DCF) như KCF, ECO thống trị nhờ tốc độ cao nhưng thất bại trước các biến dạng phi tuyến tính. Mạng nơ-ron Siamese (Siamese Neural Networks - SNN) nổi lên như một chuẩn kiến trúc đối sánh mẫu đầu-cuối (end-to-end). Tuy nhiên, các kiến trúc Siamese truyền thống (SiamFC, SiamRPN++) đối mặt với ba nút thắt lý thuyết và kỹ thuật nghiêm trọng:
- Sự phụ thuộc nặng nề vào các hộp neo tiền định (anchor-based bounding boxes), làm bùng nổ không gian tính toán và độ nhạy siêu tham số;
- Phép tương quan chéo cục bộ (Cross-Correlation / DW-Xcorr) thiếu khả năng mô hình hóa quan hệ ngữ cảnh toàn cục tầm xa;
- Cơ chế tự tập trung (Self-Attention) trong mạng Transformer thông thường có độ phức tạp bậc hai $O(T^2)$, gây nghẽn cổ chai tài nguyên phần cứng nhúng.
Tính tiên phong của luận án thể hiện ở việc tái cấu trúc toàn diện đường ống xử lý Siamese: chuyển dịch từ đối khớp cục bộ sang mô hình hóa tương quan toàn cục tuyến tính, đồng thời thay thế cơ chế sinh vùng đề xuất dạng neo bằng biểu diễn điểm hồi quy trực tiếp không khung neo (anchor-free point representation).
Khoảng trống nghiên cứu (Research Gaps)
- Khoảng trống về mô hình hóa ngữ cảnh (Context Modeling Gap): Các phương pháp Siamese kinh điển (Bertinetto et al., 2016; Li et al., 2018) chỉ khai thác phép tích chập cục bộ hoặc tương quan chéo sâu-rộng (DW-Xcorr), bỏ qua tương tác ngữ nghĩa tầm xa giữa mẫu mục tiêu và vùng tìm kiếm khi gặp nhiễu nền phức tạp (Background Clutter) và biến dạng (Deformation).
- Khoảng trống về chi phí tính toán mạng Transformer (Computational Complexity Gap): Các nỗ lực tích hợp Transformer vào VOT (Vaswani et al., 2017; Chen et al., 2021) dựa trên ma trận Softmax Attention $O(T^2)$ về cả thời gian và bộ nhớ bộ đệm, không thể triển khai trên các hệ thống giám sát bay UAV thời gian thực (yêu cầu $\ge 30\text{ FPS}$).
- Khoảng trống về ước lượng khung bao (Bounding Box Estimation Gap): Các mạng dựa trên RPN (Region Proposal Network) đòi hỏi thiết lập $whnm$ khung neo trên từng điểm ảnh với tỷ lệ khung hình và tỷ lệ kích thước cứng nhắc, gây mất cân bằng nghiêm trọng giữa mẫu dương và mẫu âm, làm trôi dạt vết bám (tracking drift) khi đối tượng thay đổi tỷ lệ đột ngột.
- Khoảng trống trong giám sát hồng ngoại chuyên dụng (Thermal Infrared Tracking Gap): Thiếu vắng các mô hình học sâu chuyên biệt cho bài toán chống UAV trong môi trường ảnh hồng ngoại nhiệt (IR), nơi đối tượng có độ phân giải siêu thấp (Low Resolution $< 400\text{ pixels}$), thiếu vân bề mặt và biến thiên nhiệt độ nền liên tục.
Câu hỏi nghiên cứu và Giả thuyết khoa học
- Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để nâng cao độ chính xác và tính bền vững của trình theo bám UAV trong video hồng ngoại nhiệt chất lượng cao với các điều kiện biên đa dạng (ngày, đêm, kích thước mục tiêu siêu nhỏ)?
- Giả thuyết 1 (H1): Tinh chỉnh kiến trúc ResNet-50 kết hợp hàm mất mát phân biệt và chiến thuật suy luận thích ứng sẽ giải quyết triệt để vấn đề mất dấu mục tiêu trên phổ hồng ngoại.
- Câu hỏi nghiên cứu 2 (RQ2): Có thể loại bỏ hoàn toàn các khung neo (anchor-free) trong mạng Siamese mà vẫn duy trì hoặc vượt trội độ chính xác định vị mục tiêu hay không?
- Giả thuyết 2 (H2): Biểu diễn vị trí bằng khoảng cách vector 4 chiều kết hợp cơ chế chú ý không gian sẽ giảm bậc tính toán từ $O(whnm)$ xuống $O(wh)$ và loại bỏ lỗi ước lượng tỷ lệ.
- Câu hỏi nghiên cứu 3 (RQ3): Làm cách nào để thu giữ tương quan toàn cục giữa hai nhánh Siamese mà không làm suy giảm tốc độ xử lý khung hình thời gian thực?
- Giả thuyết 3 (H3): Tuyến tính hóa ma trận tự chú ý thông qua hàm nhân ánh xạ đặc trưng phi tuyến $\phi(\cdot)$ sẽ chuyển đổi độ phức tạp tính toán từ $O(T^2)$ sang $O(T)$, cho phép tích hợp khối mã hóa chéo sâu với tốc độ vượt ngưỡng 30 FPS.
- Câu hỏi nghiên cứu 4 (RQ4): Kiến trúc chuyển đổi tuyến tính có thể đóng vai trò như một mô-đun tinh chỉnh đa năng (refinement module) để nâng cao hiệu năng cho các trình theo bám cơ sở hay không?
- Giả thuyết 4 (H4): Thiết kế chuỗi lớp tự mã hóa (SAL) và mã hóa chéo (CAL) kết nối đầu ra của mạng cơ sở sẽ tinh lọc bản đồ phản hồi đặc trưng, gia tăng đồng thời chỉ số EAO và AO.
Khung lý thuyết nền tảng (Theoretical Framework)
Luận án xây dựng trên giao thoa của ba trụ cột lý thuyết toán học và khoa học máy tính:
- Lý thuyết Học biểu diễn đối xứng Siamese (Siamese Representation Metric Learning): Tối ưu hóa khoảng cách metric không gian đặc trưng giữa mẫu mục tiêu $z \in \mathbb{R}^{3 \times 127 \times 127}$ và vùng tìm kiếm $x \in \mathbb{R}^{3 \times 255 \times 255}$.
- Lý thuyết Xấp xỉ Tuyến tính Toán tử Nhân (Linear Kernel Attention Mechanics): Dựa trên nguyên lý ánh xạ không gian Hilbert tái tạo (RKHS) để tách ma trận tương quan $\exp(QK^T)$ thành tích vô hướng của các vector đặc trưng $\phi(Q)\phi(K)^T$.
- Hình học Đại số Hồi quy Không khung neo (Continuous Point-based Bounding Box Regression): Mô hình hóa khung bao đối tượng dưới dạng đa tạp khoảng cách 4 hướng $(l, t, r, b)$ từ tâm điểm ảnh đến biên thực tế.
Tóm tắt đóng góp đột phá
- TrackingUAV: Mô hình học sâu tối ưu hóa cho bài toán chống UAV trên luồng video nhiệt hồng ngoại, thiết lập chuẩn đánh giá trên bộ dữ liệu Anti-UAV 2020.
- SiamAPN & SiamAAM: Hai kiến trúc Siamese tiên phong kết hợp cơ chế tập trung tăng cường đặc trưng (AFE/GAM) và mạng dự đoán phân loại - hồi quy dạng điểm không khung neo, triệt tiêu $nm$ lần số lượng khung neo giả định.
- SiamTLT: Trình theo bám thời gian thực sử dụng mạng chuyển đổi tuyến tính (Linear Transformer), nén độ phức tạp tương quan toàn cục về $O(T)$ với tốc độ suy luận đạt chuẩn công nghiệp.
- TrackerLT: Mô hình học sâu mở rộng tích hợp chuỗi tầng tự mã hóa (SAL) và mã hóa chéo (CAL) đa lớp ($L=2$), vượt trội các mô hình hàng đầu thế giới (SOTA) trên 6 bộ dữ liệu chuẩn quốc tế.
Phạm vi và ý nghĩa nghiên cứu
Nghiên cứu tiến hành thực nghiệm trên 6 bộ dữ liệu chuẩn quy mô lớn: Anti-UAV (100 video hồng ngoại), OTB100 (100 video, 59K frames), UAV123 (123 video chụp từ UAV, 113K frames), VOT2018/VOT2019 (60 chuỗi video thách thức cao), GOT-10k (10.000 video, 1,5 triệu frames, 563 lớp) và LaSOT (1.400 video dài, 3,3 triệu frames). Mọi mô hình được thẩm định trên hệ thống tính toán GPU đồng bộ với các độ đo học thuật nghiêm ngặt: EAO (Expected Average Overlap), AO (Average Overlap), Success Rate ($SR_{0.50}, SR_{0.75}$), Precision Plot và FPS.
Literature Review và Positioning
Tổng hợp các luồng nghiên cứu chính (Major Research Streams)
TIẾN TRÌNH TIỄN HÓA CÁC PHƯƠNG PHÁP THEO BÁM ĐỐI TƯỢNG (VOT)
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 1: Học máy truyền thống & Bộ lọc tương quan (DCF) │
│ - KCF, MOSSE, ECO (Danelljan et al., 2017): Đặc trưng thủ công (HOG, CN), tốc độ cao nhưng kém bền vững │
└────────────────────────────────────────────────┬─────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 2: Học sâu tích chập phân loại trực tuyến & Meta-Learning │
│ - MDNet (Nam & Han, 2016), ATOM (Danelljan et al., 2019), DiMP (Bhat et al., 2019): │
│ Học trực tuyến phân biệt nền - mục tiêu, chính xác cao nhưng tốn kém tài nguyên tính toán │
└────────────────────────────────────────────────┬─────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 3: Mạng Siamese so khớp đặc trưng ngoại tuyến (Offline Metric Matching) │
│ - SiamFC (Bertinetto et al., 2016): Tiên phong mạng 2 nhánh tương quan chéo │
│ - SiamRPN (Li et al., 2018), DaSiamRPN (Zhu et al., 2018): Bổ sung mạng đề xuất vùng (RPN) │
│ - SiamRPN++ (Li et al., 2019): Khung xương ResNet-50 + DW-Xcorr │
│ - SiamCAR (Guo et al., 2020), SiamBAN (Chen et al., 2020): Chuyển đổi sang kiến trúc Anchor-Free │
└────────────────────────────────────────────────┬─────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ GIAI ĐOẠN 4: Luận án đề xuất (Siamese + Attention/Linear Transformer + Point-based Anchor-Free) │
│ - TrackingUAV, SiamAPN, SiamAAM, SiamTLT, TrackerLT: │
│ Tương quan toàn cục tuyến tính O(T) + Biểu diễn điểm 4D (l, t, r, b) + Tối ưu hóa thời gian thực │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
- Luồng 1: Trình theo bám truyền thống và bộ lọc tương quan phân biệt (DCF): Khai thác các đặc trưng thủ công như biểu đồ độ dốc có hướng (HOG - Dalal & Triggs, 2005) và Tên-Màu (Color Names - Danelljan et al., 2014). Đại diện tiêu biểu như KCF (Henriques et al., 2015), MOSSE, và ECO (Danelljan et al., CVPR 2017) tối ưu hóa toán tử tích chập trên miền tần số thông qua biến đổi Fourier nhanh (FFT). Nhóm này đạt tốc độ tính toán vượt trội trên CPU nhưng dễ gãy đổ khi đối tượng bị xoay ngoài mặt phẳng (OPR), che lấp hoàn toàn (FOC) hoặc biến dạng hình học lớn.
- Luồng 2: Trình theo bám học sâu dựa trên CNN trực tuyến và Meta-learning: MDNet (Nam & Han, ECCV 2016) tiên phong kiến trúc học đa miền (multi-domain) tách biệt các lớp chia sẻ và lớp đặc thù video. RT-MDNet (Byers & Lee, ECCV 2018) cải tiến RoIAlign với tích chập giãn cách (dilated conv). Đột phá tiếp theo là ATOM (Danelljan et al., CVPR 2019) và DiMP (Bhat et al., CVPR 2019) với cơ chế học phân biệt trực tuyến mô hình mục tiêu thông qua quy trình tối ưu hóa dốc hạ lặp, đạt độ bền vững (robustness) cao nhưng gánh nặng tính toán lớn khiến tốc độ khó vượt qua 30 FPS trên phần cứng giới hạn.
- Luồng 3: Trình theo bám dựa trên kiến trúc mạng Siamese thuần túy: SiamFC (Bertinetto et al., ECCV 2016) đặt nền móng cho việc chuyển bài toán theo bám thành so khớp mẫu đối xứng:
$$f(z, x) = \varphi(z) \star \varphi(x) + b$$
SiamRPN (Li et al., CVPR 2018) đưa mô-đun đề xuất vùng RPN vào đầu ra. DaSiamRPN (Zhu et al., ECCV 2018) giải quyết mẫu gây nhiễu và mở rộng không gian tìm kiếm từ $255$ lên $767\text{ pixels}$. SiamRPN++ (Li et al., CVPR 2019) phá vỡ giới hạn dịch chuyển bất biến để nhúng ResNet-50 cùng tương quan chéo sâu-rộng (DW-Xcorr). Gần đây, SiamCAR (Guo et al., CVPR 2020) và SiamBAN (Chen et al., CVPR 2020) mở ra hướng tiếp cận không khung neo (anchor-free).
Các tranh luận và mâu thuẫn học thuật (Academic Debates)
- Tranh luận 1: Anchor-based RPN đối đầu Anchor-free FCOS: Phái Anchor-based (SiamRPN, SiamRPN++) lập luận rằng việc sử dụng các khung neo đa tỷ lệ giúp mô hình bao quát tốt các biến đổi tỷ lệ đột ngột. Ngược lại, phái Anchor-free (SiamCAR, và các mô hình trong luận án) chứng minh rằng khung neo tạo ra thiên lệch phân phối mẫu dương/âm, tiêu tốn $whnm$ phép tính và đòi hỏi căn chỉnh siêu tham số phức tạp theo từng tập dữ liệu.
- Tranh luận 2: Softmax Attention bậc hai đối đầu Tuyến tính hóa Attention: Attention truyền thống (Vaswani et al., 2017) sử dụng phép nhân ma trận chuẩn hóa Softmax $\text{softmax}(QK^T / \sqrt{D})V$ đảm bảo phân phối xác suất sắc nét nhưng bùng nổ tài nguyên $O(T^2)$. Trường phái tuyến tính hóa (Katharopoulos et al., 2020; Schlag et al., 2021) đề xuất thay thế bằng phép chiếu nhân $\phi(Q)(\phi(K)^T V)$, dẫn đến mâu thuẫn giữa độ sắc nét của bản đồ chú ý và tính khả thi trong suy luận thời gian thực.
- Tranh luận 3: Học trực tuyến (Online Updating) đối đầu Khớp mẫu ngoại tuyến thuần túy (Pure Offline Matching): Các phương pháp như DiMP, ATOM ưu tiên cập nhật trọng số mô hình trong quá trình chạy để thích nghi ngoại hình, nhưng chịu rủi ro quá khớp với nền khi bị che lấp (occlusion). Mạng Siamese thuần ngoại tuyến giữ cố định trọng số $\theta$, đánh đổi tính thích nghi lấy tốc độ suy luận cực đại.
Định vị học thuật và so sánh với nghiên cứu quốc tế
Luận án định vị tại phân khúc: Mạng Siamese ngoại tuyến nâng cao kết hợp cơ chế tập trung chuyển đổi tuyến tính và giải mã không khung neo.
| Tiêu chí So sánh |
DiMP (Bhat et al., CVPR 2019) |
SiamRPN++ (Li et al., CVPR 2019) |
SiamCAR (Guo et al., CVPR 2020) |
TrackerLT (Luận án đề xuất, 2023) |
| Kiến trúc chính |
Discriminative Meta-Learner |
Siamese + Anchor RPN |
Siamese + Anchor-Free |
Siamese + Linear Transformer |
| Backbone mạng |
ResNet-18 / ResNet-50 |
ResNet-50 (Dilated) |
ResNet-50 (Dilated) |
ResNet-50 (Dilated & Channel-256) |
| Cơ chế tích hợp |
Online Discriminative Filter |
Depthwise X-Corr |
Depthwise X-Corr |
Chuỗi SAL + CAL Tuyến tính |
| Độ phức tạp tích hợp |
Trung bình (Tối ưu lặp) |
$O(N)$ Cục bộ |
$O(N)$ Cục bộ |
$O(N)$ Toàn cục |
| Đầu ra dự đoán |
Score Map + IoU Regressor |
Anchor Proposals ($whnm$) |
Point BBox ($wh$) |
Point BBox ($wh$) + Centerness |
| Cập nhật Online |
Có (Tốn tài nguyên) |
Không |
Không |
Không |
| Tốc độ (FPS) |
$\sim 40\text{ FPS}$ |
$\sim 35\text{ FPS}$ |
$\sim 52\text{ FPS}$ |
$\mathbf{> 45\text{ FPS}}$ (Thời gian thực) |
| EAO (VOT2018) |
0.440 |
0.414 |
0.398 |
0.448 (Dẫn đầu) |
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết (Theoretical Contributions)
- Mở rộng Lý thuyết So khớp Mẫu Metric Siamese: Khắc phục hạn chế của toán tử tương quan kinh điển vốn chỉ tính toán độ tương đồng cục bộ. Luận án mở rộng hàm mục tiêu Siamese thành quá trình truyền dẫn thông tin hai chiều giữa mẫu $z$ và không gian tìm kiếm $x$ thông qua không gian biến đổi trung gian:
$$\mathcal{M}(z, x) = \psi_{\text{linear}}\left(\varphi(z), \varphi(x)\right)$$
- Hình thức hóa Toán tử Tập trung Tuyến tính trong Thị giác Máy tính: Ứng dụng lý thuyết toán tử nhân để chứng minh rằng việc tuyến tính hóa sự chú ý bằng hàm đặc trưng:
$$\phi_i(x) = \text{elu}(x_i) + 1$$
hoặc toán tử trực giao:
$$\phi_{i+2(j-1)D}(x) = \text{ReLU}([x, -x])i \text{ReLU}([x, -x]){i+1}$$
bảo toàn đầy đủ thông tin vị trí không gian mà không làm suy giảm độ hội tụ của gradient trong thuật toán lan truyền ngược.
- Mô hình hóa Điểm Hồi quy Đa biến Không Khung Neo: Chuyển đổi bài toán tối ưu hóa vị trí từ phân loại nhị phân trên tập hộp neo rời rạc sang ước lượng tensor khoảng cách liên tục 4 hướng $\mathbf{t} = (l, t, r, b) \in \mathbb{R}^4$.
Khung phân tích độc đáo (Novel Conceptual Framework)
Khung phân tích của luận án tích hợp ba lý thuyết cốt lõi tạo thành cấu trúc hợp nhất:
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ KHUNG PHÂN TÍCH HỢP NHẤT CỦA LUẬN ÁN │
├──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ 1. Metric Learning Siamese (Bertinetto et al.): Trích xuất đặc trưng đa tầng ResNet-50 │
│ │ │
│ ▼ │
│ 2. Linear Transformer Mechanics (Katharopoulos et al., Schlag et al.): Tăng cường ngữ cảnh toàn cục │
│ - Lớp Tự mã hóa (Self-Encoder Layer - SAL) │
│ - Lớp Mã hóa chéo (Cross-Encoder Layer - CAL) │
│ │ │
│ ▼ │
│ 3. Point-based Spatial Geometry (Tian et al. - FCOS, Guo et al.): Dự đoán tọa độ liên tục (l, t, r, b) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Mô hình Toán học của Cơ chế Tập trung Tuyến tính
Với chuỗi $T$ vector đặc trưng đầu vào $x \in \mathbb{R}^{T \times F}$, các ma trận truy vấn ($Q$), khóa ($K$) và giá trị ($V$) được ánh xạ qua các phép chiếu tuyến tính:
$$Q = x W_Q, \quad K = x W_K, \quad V = x W_V \quad (W_Q, W_K \in \mathbb{R}^{F \times D}, W_V \in \mathbb{R}^{F \times M})$$
Thay vì tính toán ma trận tương tác $T \times T$ với chi phí $O(T^2)$:
$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{Q K^T}{\sqrt{D}}\right) V$$
Luận án triển khai dạng tích chập nhân tuyến tính:
$$V'i = \frac{\sum{j=1}^N \kappa(Q_i, K_j) V_j}{\sum_{j=1}^N \kappa(Q_i, K_j)} = \frac{\phi(Q_i) \sum_{j=1}^N \left(\phi(K_j)^T V_j\right)}{\phi(Q_i) \sum_{j=1}^N \phi(K_j)^T}$$
Nhờ tính chất kết hợp của phép nhân ma trận, đại lượng $\sum_{j=1}^N \phi(K_j)^T V_j \in \mathbb{R}^{2vD \times M}$ được tính toán trước với chi phí chỉ $O(T \cdot D \cdot M)$, biến đổi toàn bộ độ phức tạp của khối tăng cường đặc trưng từ bậc hai xuống bậc nhất tuyến tính $O(T)$.
Điều kiện biên lý thuyết (Boundary Conditions)
- Bất biến dịch chuyển cục bộ: Khung trích chọn đặc trưng ResNet-50 phải giữ nguyên tính chất dịch chuyển tương đối; do đó chỉ thay đổi bước trượt (stride) và giãn cách (dilation) ở các khối sâu
conv4 và conv5.
- Kích thước mẫu đầu vào cố định: Ảnh mẫu $z$ chuẩn hóa về $127 \times 127 \times 3$, vùng tìm kiếm $x$ chuẩn hóa về $255 \times 255 \times 3$ để duy trì tỷ lệ lấy mẫu không gian tối ưu cho bản đồ đặc trưng đầu ra kích thước $25 \times 25$.
Phương pháp nghiên cứu tiên tiến
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ SƠ ĐỒ PHƯƠNG PHÁP NGHIÊN CỨU TOÀN DIỆN │
├──────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ Triết lý Thực chứng (Positivism) ──► Huấn luyện Ngoại tuyến Đầu-Cuối ──► Đánh giá Đa tập dữ liệu Chuẩn │
│ │
│ [TIỀN XỬ LÝ & TĂNG CƯỜNG DỮ LIỆU] │
│ ├── Cắt ghép ngẫu nhiên cặp khung hình (z, x) từ video cùng chuỗi │
│ ├── Phép biến đổi Afin (Affine transformations), dịch chuyển, xoay góc, đổi tỷ lệ │
│ └── Chuyển đổi 25% mẫu sang ảnh thang độ xám (Grayscale augmentation) để thích ứng video nhiệt/hồng ngoại│
│ │
│ [TRÍCH XUẤT ĐẶC TRƯNG - BACKBONE] │
│ ├── ResNet-50 tinh chỉnh: Bỏ pooling tầng sâu, thiết lập Stride=1 ở conv4/conv5 │
│ ├── Tích chập giãn khoảng cách (Dilated Convolution): Tỷ lệ atrous = 2 (conv4) và 4 (conv5) │
│ └── Giảm số chiều đặc trưng qua Conv 1x1 về cố định 256 kênh │
│ │
│ [TÍCH HỢP & DỰ ĐOÁN] │
│ ├── Khối SAL (Tự mã hóa) + Khối CAL (Mã hóa chéo) tuyến tính │
│ └── Đầu dự đoán Anchor-Free: Nhánh phân loại Cls + Nhánh hồi quy Reg (l,t,r,b) + Nhánh Centerness │
│ │
│ [TỐI ƯU HÓA ĐA NHIỆM] │
│ └── L_total = L_cls (Cross-Entropy/Focal) + λ_1 L_reg (IoU/GIoU) + λ_2 L_cen (BCE) │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Thiết kế nghiên cứu (Research Design)
Nghiên cứu tuân thủ chặt chẽ triết lý thực chứng (Positivism) và định lượng toán học thực nghiệm. Hệ thống thuật toán được xây dựng dựa trên mô hình học có giám sát và bán giám sát thông qua tối ưu hóa hàm mất mát phi tuyến đa biến.
Thiết kế mạng nơ-ron đa cấp độ:
- Cấp độ 1 (Feature Backbone Level): Tái cấu trúc mạng ResNet-50 đã huấn luyện trước trên tập ImageNet. Khắc phục sự suy giảm độ phân giải không gian bằng cách loại bỏ các lớp max pooling cuối, thiết lập bước trượt
stride = 1 tại khối conv4 và conv5, đồng thời áp dụng tích chập rỗng (atrous/dilated convolution) với tỷ lệ giãn lần lượt là 2 và 4. Đưa đầu ra 3 khối conv3, conv4, conv5 qua các lớp tích chập $1 \times 1$ để thống nhất kích thước kênh về $256$.
- Cấp độ 2 (Fusion & Enhancement Level): Thiết kế mô-đun tăng cường đặc trưng tập trung (AFE), kết hợp đặc trưng tập trung (GAM/FFM), và khối chuyển đổi tuyến tính gồm $L$ lớp tự mã hóa (Self-Encoder Layer - SAL) liên tiếp $L$ lớp mã hóa chéo (Cross-Encoder Layer - CAL).
- Cấp độ 3 (Head Prediction Level): Mạng tích chập hoàn toàn (FCN) gồm 5 lớp tích chập liên tiếp, phân tách thành hai nhánh song song: nhánh phân loại nhị phân (foreground/background classification) kết hợp tính điểm tâm (centerness), và nhánh hồi quy khoảng cách biên $(l, t, r, b)$.
Quy trình nghiên cứu thực nghiệm chuẩn mực
- Thu thập và Lấy mẫu Cặp Dữ liệu: Khai thác hàng triệu cặp ảnh mẫu $(z, x)$ trích xuất từ các chuỗi video với khoảng cách ngẫu nhiên nhằm mô phỏng chuyển động thực tế. Áp dụng các phép biến đổi afin, làm mờ chuyển động, nhiễu sáng và chuyển đổi 25% dữ liệu sang ảnh thang độ xám (grayscale) để tăng cường độ bền vững.
- Hàm Mục tiêu Tối ưu hóa Đa nhiệm:
$$\mathcal{L}{\text{total}} = \mathcal{L}{\text{cls}}(c, v) + \lambda_1 \mathcal{L}{\text{reg}}(b, \hat{b}) + \lambda_2 \mathcal{L}{\text{cen}}(ctr, \hat{ctr})$$
Trong đó:
- $\mathcal{L}{\text{cls}}$ là hàm mất mát phân loại Cross-Entropy hoặc Focal Loss:
$$\mathcal{L}{\text{cls}} = -\frac{1}{N} \sum_{i=1}^N \left[ y_i \log(p_i) + (1 - y_i) \log(1 - p_i) \right]$$
- $\mathcal{L}{\text{reg}}$ là hàm mất mát hồi quy vị trí dựa trên chỉ số IoU/GIoU Loss:
$$\mathcal{L}{\text{reg}} = 1 - \text{IoU}(b, \hat{b}) = 1 - \frac{|b \cap \hat{b}|}{|b \cup \hat{b}|}$$
- $\mathcal{L}_{\text{cen}}$ là hàm mất mát điểm tâm Centerness Loss để ức chế các khung bao chất lượng kém ở xa tâm vật thể:
$$\text{Centerness}^* = \sqrt{\frac{\min(l^, r^)}{\max(l^, r^)} \times \frac{\min(t^, b^)}{\max(t^, b^)}}$$
Dữ liệu và Phân tích Thống kê
- Môi trường huấn luyện: Khung làm việc PyTorch, tối ưu hóa bằng thuật toán Hạ gradient ngẫu nhiên (SGD) có động lượng (momentum $= 0.9$), hệ số phân rã trọng số (weight decay $= 10^{-4}$), và bộ tối ưu Adam với tốc độ học khởi tạo $10^{-3}$, suy giảm phi tuyến theo lịch trình Cosine Annealing. Huấn luyện phân tán trên các cụm GPU NVIDIA chất lượng cao.
- Đặc trưng các tập dữ liệu thẩm định:
QUY MÔ DỮ LIỆU ĐÁNH GIÁ THỰC NGHIỆM TRONG LUẬN ÁN
┌────────────┬─────────────┬──────────────┬──────────────┬──────────────────┐
│ Bộ Dữ Liệu │ Số lượng HQ │ Số Khung hình│ Số Lớp (NoC) │ Độ dài TB/Video │
├────────────┼─────────────┼──────────────┼──────────────┼──────────────────┤
│ Anti-UAV │ 100 │ Chuyên sâu IR│ 3 (UAV types)│ Chuỗi nhiệt HD │
│ OTB100 │ 100 │ 59.000 │ 16 │ 19.8 giây │
│ UAV123 │ 123 │ 113.000 │ 9 │ 30.6 giây │
│ VOT2018 │ 60 │ 21.000 │ 24 │ 12.0 giây │
│ GOT-10k │ 10.000 │ 1.500.000 │ 563 │ 16.0 giây │
│ LaSOT │ 1.400 │ 3.300.000 │ 70 │ Chuỗi siêu dài │
└────────────┴─────────────┴──────────────┴──────────────┴──────────────────┘
Phát hiện đột phá và implications
Những phát hiện then chốt (Key Empirical Findings)
1. Đột phá mô hình TrackingUAV trên bộ dữ liệu Anti-UAV
Trên bộ dữ liệu Anti-UAV (100 video hồng ngoại nhiệt độ phân giải $512 \times 640$), TrackingUAV giải quyết triệt để bài toán theo bám mục tiêu UAV cỡ nhỏ và siêu nhỏ ($< 400\text{ pixels}$) trong điều kiện nhiễu nền nhiệt độ, mờ chuyển động và thay đổi hình thái bay.
Mô hình duy trì độ chính xác trung bình (acc) ổn định:
$$\text{acc} = \frac{1}{T} \sum_{t=1}^T \left( \text{IoU}_t \cdot \delta(\nu_t > 0) + p_t (1 - \delta(\nu_t > 0)) \right)$$
vượt trội các thuật toán đối chuẩn khi xử lý mục tiêu bị mất dấu nhiệt hoặc bay ngoài tầm nhìn (Out-of-View).
So sánh Hiệu Năng EAO trên Bộ Dữ Liệu Chuẩn Quốc Tế VOT2018
0.50 ┌───────────────────────────────────────────────────────────┐
│ 0.448 │
0.45 ┼───────────────────────────────────────── 0.440 ────████────┤
│ 0.414 ████ ████ │
0.40 ┼──────────────────────── 0.398 ████ ████ ████ │
│ 0.370 ████ ████ ████ ████ │
0.35 ┼──────── 0.302 ████ ████ ████ ████ ████ │
│ ████ ████ ████ ████ ████ ████ │
0.30 └──────────████────████────████────████─────████─────████───┘
SiamFC SiamRPN SiamCAR SiamRPN++ DiMP TrackerLT
2. Hiệu quả vượt trội của SiamAPN và SiamAAM qua cơ chế Point-Based Anchor-Free
Kết quả thực nghiệm trên UAV123 và VOT2018 chứng minh việc loại bỏ khung neo giúp SiamAPN và SiamAAM tăng mạnh điểm thành công (Success Rate - AUC) và điểm chính xác khoảng cách (CLE tại ngưỡng 20 pixel).
Mô-đun AFE (Attention Feature Enhancement) và GAM (Graph/Grid Attention Module) cho phép mô hình tập trung năng lượng vào các vùng đặc trưng có mật độ thông tin cao của đối tượng, cải thiện rõ rệt tại các chuỗi video có thuộc tính che lấp một phần (Partial Occlusion - POC) và xoay trong mặt phẳng (In-Plane Rotation - IPR).
3. Tính ưu việt của Tuyến tính hóa Transformer trong SiamTLT và TrackerLT
SiamTLT và TrackerLT tạo bước nhảy vọt về mặt hiệu năng xử lý. Bằng việc xếp chồng $L=2$ lớp tự mã hóa (SAL) và mã hóa chéo (CAL) tuyến tính, TrackerLT đạt điểm EAO 0.448 trên VOT2018, vượt qua mô hình DiMP (0.440) và SiamRPN++ (0.414).
Đặc biệt, trên các tập dữ liệu quy mô lớn GOT-10k và LaSOT, TrackerLT xác lập mức độ thích ứng cao với điểm chồng chéo trung bình (Average Overlap - AO) và tỷ lệ thành công $SR_{0.50}, SR_{0.75}$ thuộc nhóm cao nhất, trong khi vẫn bảo lưu tốc độ khung hình thời gian thực ($> 45\text{ FPS}$).
4. Khả năng Tinh chỉnh và Tăng cường cho Mô hình Cơ sở (Baseline Refinement)
Thực nghiệm trong Chương 3 chứng minh kiến trúc mạng chuyển đổi tuyến tính có thể tiếp nhận đầu ra của một trình theo bám cơ sở (như TrackingUAV hoặc SiamFC) để thực hiện tinh chỉnh không gian (spatial refinement). Kết quả trên Anti-UAV cho thấy khi ghép nối mô-đun TrackerLT, chỉ số chính xác tổng thể tăng từ $3.2%$ đến $5.8%$ trên các chuỗi video ban đêm có độ tương phản cực thấp.
Hàm ý đa chiều (Multidimensional Implications)
- Hàm ý Lý thuyết (Theoretical Advances): Chứng minh tính khả thi của việc thay thế xấp xỉ hạt nhân tuyến tính cho toàn bộ khối Softmax Attention kinh điển trong các bài toán thị giác máy tính đòi hỏi độ trễ cực thấp. Mở rộng cơ sở toán học cho việc tối ưu hóa mạng nơ-ron đa luồng.
- Hàm ý Phương pháp luận (Methodological Innovations): Cung cấp một framework thiết kế hoàn chỉnh: Tinh chỉnh ResNet-50 + Tích hợp Tuyến tính + Dự đoán Point Anchor-Free, có thể chuyển giao cho các bài toán lân cận như phân vùng đối tượng video (Video Object Segmentation - VOS) và phát hiện mục tiêu chuyển động (Moving Object Detection).
- Hàm ý Thực tiễn & An ninh Quốc phòng (Practical & Defense Applications): Các thuật toán trong luận án cung cấp lõi công nghệ trực tiếp để làm chủ các tổ hợp khí tài quân sự công nghệ cao:
- Hệ thống chế áp, đánh chặn máy bay không người lái (Anti-UAV Defense Systems);
- Hệ thống chỉ thị mục tiêu tự động trên quang - điện tử và đầu tự dẫn tên lửa;
- Giám sát an ninh biên giới và các mục tiêu quân sự trọng yếu trên đất liền và vùng biển.
Limitations và Future Research
Những giới hạn học thuật cần thừa nhận
- Hiện tượng Che lấp Hoàn toàn Dài hạn (Prolonged Full Occlusion): Do mô hình vận hành theo cơ chế so khớp mẫu cục bộ kết hợp toàn cục ngoại tuyến, khi đối tượng bị che lấp hoàn toàn ($FOC$) trong hàng trăm khung hình liên tiếp rồi xuất hiện lại ở vị trí ngẫu nhiên, trình theo bám có nguy cơ bám nhầm vào các vật thể gây nhiễu có hình thái tương đồng (Similar Object - SIB).
- Biến thiên nhiệt độ cực đoan trong ảnh hồng ngoại: Trong điều kiện nền môi trường có bức xạ nhiệt thay đổi đột ngột (như động cơ phát nhiệt mạnh hoặc phản xạ ánh sáng mặt trời trên mặt biển), bản đồ nhiệt bị bão hòa, làm giảm tính phân biệt của các đặc trưng trích xuất từ tầng
conv3-conv5.
- Giới hạn tối ưu hóa trên phần cứng siêu tiết kiệm điện: Mặc dù thuật toán đã tuyến tính hóa độ phức tạp $O(T)$, việc triển khai trên các chip vi điều khiển biên (Edge Micro-AI chips) có bộ nhớ SRAM dưới 1GB vẫn đòi hỏi phải nén mô hình và lượng tử hóa trọng số (Quantization FP16/INT8).
Chương trình nghiên cứu tương lai (Future Research Directions)
- Hướng 1: Mạng Bộ nhớ Động Đa quy mô (Dynamic Spatio-Temporal Memory Networks): Tích hợp khối bộ nhớ hồi quy ngắn hạn và dài hạn để cập nhật hình thái mục tiêu theo thời gian mà không gây trôi dạt vết bám.
- Hướng 2: Dung hợp Cảm biến Đa phương thức (Multimodal RGB-Thermal Fusion): Xây dựng mạng Siamese hai luồng nhận đồng thời luồng ảnh màu trực quan (RGB) và ảnh nhiệt hồng ngoại (TIR) thông qua cơ chế Cross-Attention đa phương thức để theo bám xuyên ngày đêm.
- Hướng 3: Học Tự giám sát và Tiền huấn luyện chuyên biệt (Self-Supervised Video Pre-training): Phát triển các kỹ thuật Masked Autoencoders (MAE) trên tập dữ liệu video chuyển động để tự động học các đặc trưng bất biến không gian - thời gian mà không cần dán nhãn khung bao thủ công.
- Hướng 4: Lượng tử hóa và Tối ưu hóa Phần cứng (Edge-AI Quantization): Áp dụng kỹ thuật tỉa nhánh (pruning) và lượng tử hóa nhận biết huấn luyện (QAT) để nhúng trực tiếp TrackerLT lên các hệ thống nhúng trên bo mạch của thiết bị bay không người lái nano.
Tác động và ảnh hưởng
HỆ THỐNG TÁC ĐỘNG TOÀN DIỆN CỦA LUẬN ÁN
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ 1. HỌC THUẬT QUỐC TẾ: Đóng góp mã nguồn mở, công bố trên các kỷ yếu & tạp chí uy tín (VOT Challenge) │
│ Ước tính trích dẫn cao trong cộng đồng nghiên cứu thị giác máy tính và học sâu │
└────────────────────────────────────────────────┬─────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ 2. CÔNG NGHIỆP CÔNG NGHỆ CAO: Chuyển giao thuật toán cho xe tự hành, camera giám sát AI edge │
│ Tăng tốc độ xử lý khung hình > 45 FPS trên phần cứng tiêu chuẩn thương mại │
└────────────────────────────────────────────────┬─────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ 3. AN NINH - BẢO VỆ TỔ QUỐC: Làm chủ công nghệ lõi cho tổ hợp khí tài trinh sát quang điện tử │
│ Chống phương tiện bay không người lái (Anti-UAV), bám bắt mục tiêu tốc độ cao tự động │
└──────────────────────────────────────────────────────────────────────────────────────────────────────────┘
- Tác động Học thuật (Academic Impact): Luận án giải quyết trực tiếp các bài toán thời sự được thảo luận sôi nổi tại các hội nghị đỉnh cao như CVPR, ICCV, ECCV (nơi các bài báo về visual tracking chiếm tỷ trọng đáng kể: từ 27 bài tại CVPR 2019 lên 40 bài tại CVPR 2021). Cung cấp chuẩn so sánh cho cộng đồng nghiên cứu VOT trong và ngoài nước.
- Tác động Công nghiệp (Industry Transformation): Đẩy nhanh quá trình thương mại hóa các hệ thống thị giác thông minh: hệ thống hỗ trợ lái xe nâng cao (ADAS), xe tự hành cấp độ 3+, robot tự hành công nghiệp (AGV) và hệ thống camera an ninh thông minh nhận diện hành vi bất thường.
- Tác động An ninh - Quốc phòng: Đóng góp trực tiếp vào mục tiêu hiện đại hóa quân đội, xây dựng năng lực tác chiến tranh không gian mạng và tác chiến phòng không tầm thấp, giúp các đơn vị quân đội tự chủ hoàn toàn về mặt thuật toán và phần mềm điều khiển hỏa lực.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận một tài liệu tổng quan toàn diện, chuẩn mực về toán học ứng dụng trong học sâu; kế thừa các kiến trúc mạng SiamAPN, SiamAAM, SiamTLT và TrackerLT để phát triển các đề tài nghiên cứu chuyên sâu.
- Kỹ sư Nghiên cứu & Phát triển (R&D Engineers): Nhận được các thiết kế mạng đã được tối ưu hóa về mặt tính toán, có thể chuyển đổi thành các module mã nguồn chạy trên TensorRT, ONNX Runtime phục vụ các sản phẩm thực tế.
- Lực lượng Quân sự & Công an: Sở hữu các giải pháp công nghệ theo bám mục tiêu thời gian thực có độ tin cậy cao, hoạt động ổn định trong môi trường tác chiến điện tử và điều kiện thời tiết phức tạp.
- Các nhà hoạch định chính sách an ninh công nghệ: Có cơ sở khoa học xác đáng để đánh giá, thẩm định và phê duyệt các dự án đầu tư phát triển trang thiết bị giám sát không gian và khí tài công nghệ cao.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?
Đóng góp độc đáo nhất là việc tuyến tính hóa thành công cơ chế chú ý liên nhánh trong mạng Siamese (Linear Cross-Attention Matching). Luận án đã mở rộng lý thuyết khớp mẫu khoảng cách metric của Bertinetto et al. (SiamFC) và lý thuyết xấp xỉ nhân của Katharopoulos et al., Schlag et al. Bằng cách ánh xạ biểu diễn đặc trưng qua hàm phi tuyến $\phi(x) = \text{elu}(x) + 1$, mô hình TrackerLT loại bỏ hoàn toàn ma trận tương tác $T \times T$, cho phép thông tin ngữ cảnh toàn cục của mẫu $z$ và vùng tìm kiếm $x$ tương tác trọn vẹn với chi phí tuyến tính $O(T)$ mà không làm mất tính bất biến dịch chuyển của mạng tích chập.
2. Cải tiến phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tương đương?
- So với SiamRPN++ (Li et al., CVPR 2019): SiamRPN++ sử dụng RPN tạo ra $whnm$ khung neo, đòi hỏi tính toán tương quan chéo sâu DW-Xcorr trên từng thang đo neo. Phương pháp của luận án loại bỏ toàn bộ khung neo, dự đoán trực tiếp tọa độ khoảng cách $(l, t, r, b)$ tại $wh$ điểm, giảm $nm$ lần không gian tìm kiếm, đồng thời bổ sung tầng mã hóa chéo Transformer giúp nắm bắt ngữ cảnh vượt trội hơn phép DW-Xcorr thuần túy.
- So với DiMP (Bhat et al., CVPR 2019): DiMP sử dụng quy trình tối ưu hóa dốc hạ lặp trực tuyến (online optimization) trong quá trình suy luận để cập nhật trọng số bộ lọc mô hình, gây nghẽn tốc độ khi chạy trên luồng video độ phân giải cao. Mô hình TrackerLT của luận án hoàn toàn dựa trên cơ chế đối khớp ngoại tuyến (offline end-to-end) kết hợp chuyển đổi tuyến tính, đạt độ chính xác tương đương hoặc vượt trội (EAO 0.448 so với 0.440 trên VOT2018) nhưng tốc độ suy luận nhanh hơn, bảo đảm tuyệt đối tính thời gian thực.
3. Phát hiện bất ngờ nhất kèm minh chứng định lượng từ dữ liệu?
Phát hiện bất ngờ nhất là Cơ chế chú ý tuyến tính (Linear Attention) không những không làm suy giảm độ sắc nét của vùng định vị mà còn cải thiện điểm chính xác trên các thuộc tính biến dạng (Deformation - DEF) và mờ chuyển động (Motion Blur - MB) cao hơn cơ chế Softmax Attention truyền thống. Trên bộ dữ liệu UAV123, TrackerLT đạt mức tăng điểm thành công vượt trội trên thuộc tính chuyển động nhanh (Fast Motion - FM) và chuyển động máy ảnh (Camera Motion - CM) nhờ khả năng tổng hợp đặc trưng toàn không gian mà không bị bão hòa trọng số chú ý như hàm Softmax khi mục tiêu bị nhòe pixel.
4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp đầy đủ không?
Luận án cung cấp chi tiết toàn bộ tham số và quy trình cài đặt thực nghiệm:
- Kích thước ảnh: Ảnh mẫu $127 \times 127 \times 3$, ảnh tìm kiếm $255 \times 255 \times 3$.
- Cấu hình Backbone: ResNet-50 tinh chỉnh với
stride = 1 tại conv4, conv5, dilation $r=2$ (conv4) và $r=4$ (conv5), các lớp conv $1 \times 1$ đưa kênh về 256.
- Tối ưu hóa: Bộ tối ưu SGD, momentum $0.9$, weight decay $10^{-4}$, epoch huấn luyện từ 20 đến 50 epochs, hàm suy giảm learning rate dạng Cosine từ $10^{-2}$ về $10^{-5}$.
- Hàm mất mát: Phối hợp tỷ lệ trọng số $\lambda_1 = 1.0$ (IoU loss) và $\lambda_2 = 1.0$ (Centerness loss).
5. Lộ trình nghiên cứu 10 năm (10-Year Research Roadmap)?
- Năm 1 - 3: Hoàn thiện giải pháp nén mô hình, lượng tử hóa INT8 cho TrackerLT; tích hợp module vào các hệ thống nhúng quang điện tử chống UAV thực địa.
- Năm 4 - 6: Phát triển kiến trúc Siamese Vision-Language (kết hợp nhận dạng lệnh ngôn ngữ tự nhiên và theo bám đối tượng) và cơ chế học liên tục (Continual Learning) tự thích ứng không quên dữ liệu.
- Năm 7 - 10: Xây dựng hệ thống tự hành đa tác tử (Multi-Agent Swarm Tracking), trong đó các thiết bị bay UAV phối hợp trao đổi bản đồ đặc trưng Siamese phân tán qua mạng 6G để bám bắt đồng thời hàng trăm mục tiêu cơ động cao trong không gian đa chiều.
Kết luận
- Hệ thống hóa toàn diện cơ sở toán học và kỹ thuật: Luận án đã phân tích sâu sắc cấu trúc không gian đặc trưng và các thách thức bản chất của bài toán theo bám đơn đối tượng, chỉ rõ các giới hạn cố hữu của các mô hình học máy truyền thống và mạng Siamese sử dụng khung neo hoặc tương quan chéo cục bộ.
- Đề xuất thành công mô hình TrackingUAV chuyên dụng: Giải quyết trọn vẹn bài toán phát hiện và theo bám UAV trong môi trường ảnh hồng ngoại nhiệt chất lượng cao với các điều kiện biên phức tạp trên bộ dữ liệu chuẩn Anti-UAV.
- Tiên phong kiến trúc Siamese không khung neo (SiamAPN & SiamAAM): Tích hợp thành công cơ chế chú ý tập trung và giải mã điểm hồi quy trực tiếp 4 chiều, triệt tiêu sự phụ thuộc vào các siêu tham số khung neo và giải phóng tài nguyên tính toán.
- Đột phá công nghệ với Mạng chuyển đổi Tuyến tính (SiamTLT & TrackerLT): Hình thức hóa và áp dụng thành công toán tử nhân tuyến tính vào mô hình hóa ngữ cảnh toàn cục, giảm độ phức tạp từ $O(T^2)$ xuống $O(T)$, đạt hiệu năng dẫn đầu thế giới trên 6 bộ dữ liệu chuẩn (VOT2018 EAO đạt 0.448) với tốc độ thời gian thực vượt ngưỡng 45 FPS.
- Mở ra các hướng nghiên cứu liên ngành mới: Đặt nền móng vững chắc cho việc phát triển các hệ thống dung hợp cảm biến đa phổ, giám sát tự hành thông minh và làm chủ công nghệ khí tài quân sự công nghệ cao bảo vệ chủ quyền quốc gia.
