Tổng quan luận án

Nhận diện hành động người (Human Action Recognition - HAR) từ dữ liệu cảm biến màu và độ sâu (RGB-D), đặc biệt là dữ liệu khung xương (skeleton data), là hướng nghiên cứu quan trọng trong lĩnh vực thị giác máy tính, robot học và đa phương tiện. Dữ liệu khung xương bao gồm tọa độ không gian - thời gian của các khớp nối trên cơ thể người, sở hữu nhiều ưu thế như tốc độ xử lý nhanh, dung lượng lưu trữ thấp, tính bất biến trước sự thay đổi của màu sắc trang phục, ánh sáng và bối cảnh hậu cảnh.

Tuy nhiên, các phương pháp nhận diện hành động dựa trên dữ liệu khung xương vẫn đối mặt với nhiều thách thức lớn:

  1. Sự biến thiên lớn trong cùng một lớp hành động (intra-class variations) và độ tương đồng cao giữa các lớp hành động khác nhau (inter-class similarities).
  2. Nhiễu trong dữ liệu khung xương thu thập từ cảm biến RGB-D giá thành thấp, đặc biệt nghiêm trọng trong các tư thế phức tạp, tư thế không đứng thẳng (như ngã, nằm trên sàn, ngồi).
  3. Hiện tượng che khuất (occlusion) và tự che khuất (self-occlusion) giữa các bộ phận cơ thể.
  4. Sự thiếu hụt dữ liệu gán nhãn quy mô lớn trong môi trường thực tế.
  5. Hạn chế về năng lực tính toán và bộ nhớ khi triển khai mô hình học sâu lên các thiết bị biên (edge devices).

Luận án tiến sĩ kỹ thuật máy tính của tác giả Phạm Đình Tân với tiêu đề "A study on deep learning techniques for human action representation and recognition with skeleton data" (Nghiên cứu kỹ thuật học sâu trong biểu diễn và nhận diện hành động người với dữ liệu khung xương), thực hiện tại Viện Nghiên cứu MICA, Trường Đại học Bách khoa Hà Nội dưới sự hướng dẫn của PGS. TS. Lê Thị Lan và PGS. TS. Vũ Hải, tập trung giải quyết các bài toán trên.

Mục tiêu nghiên cứu của luận án được xác định gồm ba mục tiêu cụ thể:

  1. Biểu diễn rút gọn hành động người (A compact presentation of human actions): Đề xuất các kỹ thuật lựa chọn tập con khớp xương (Joint Subset Selection - JSS) nhằm giữ lại các khớp đóng vai trò quan trọng trong việc phân biệt các mẫu chuyển động, loại bỏ các khớp dư thừa hoặc mang nhiều nhiễu.
  2. Nâng cao hiệu năng nhận diện hành động trên dữ liệu khung xương có độ nhiễu cao (Improving action recognition performance on noisy skeleton data): Thiết kế mô-đun kết hợp đặc trưng (Feature Fusion - FF) tích hợp vào mạng tích chập đồ thị thích ứng nâng cao bởi cơ chế chú ý (Attention-enhanced Adaptive Graph Convolutional Network - AAGCN), tạo thành mô hình FF-AAGCN nhằm nâng cao tính bất biến với dịch chuyển và khả năng chống nhiễu.
  3. Đề xuất mô hình học sâu dung lượng nhẹ cho nhận diện hành động (Proposing a lightweight model for action recognition): Xây dựng kiến trúc mạng tích chập đồ thị dung lượng nhẹ (LW-FF-AAGCN) có số lượng tham số và khối lượng tính toán giảm thiểu, đáp ứng yêu cầu triển khai ứng dụng thực tế trên các thiết bị biên có tài nguyên phần cứng giới hạn.

Đối tượng và phạm vi nghiên cứu của luận án:

  • Đối tượng nghiên cứu: Các chuỗi dữ liệu khung xương 3D đã được phân đoạn, biểu diễn các chuyển động của cơ thể người.
  • Phạm vi dữ liệu và không gian thực nghiệm: Thực nghiệm trên bốn bộ dữ liệu chuẩn thu thập từ cảm biến Microsoft Kinect (v1 và v2), bao gồm MSR-Action3D, MICA-Action3D, CMDFALL và NTU RGB+D.
  • Phạm vi bài toán: Luận án tập trung vào các hành động sinh hoạt thường ngày của một người hoặc tương tác giữa hai người. Luận án thực hiện đánh giá theo giao thức chia tập dữ liệu chuẩn: kiểm thử chéo đối tượng (Cross-Subject - CS) trên cả bốn bộ dữ liệu và kiểm thử chéo góc nhìn (Cross-View - CV) trên bộ dữ liệu NTU RGB+D.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án điểm lại lịch sử phát triển của các phương pháp nhận diện hành động người, phân chia thành hai nhánh tiếp cận chính: các phương pháp dựa trên đặc trưng thủ công (handcrafted features) và các phương pháp dựa trên học sâu (deep learning).

Các phương pháp dựa trên đặc trưng thủ công

Các phương pháp truyền thống tập trung xây dựng các bộ mô tả đặc trưng không gian và thời gian từ tọa độ khớp xương:

  • Tiếp cận theo khớp xương (Joint-based): Wang và cộng sự (2012) đề xuất sử dụng vị trí tương đối giữa các khớp (Relative Joint Position - RJP) kết hợp tháp thời gian Fourier (Fourier Temporal Pyramid - FTP) để xử lý sai lệch nhịp thời gian. Yang và cộng sự (2012) kết hợp các sai khác khớp theo không gian và thời gian tạo thành EigenJoints thông qua phân tích thành phần chính (PCA). Hussein và cộng sự (2013) sử dụng cấu trúc phân cấp thời gian của các ma trận hiệp phương sai tọa độ khớp (Cov3DJ). Xia và cộng sự (2012) xây dựng lược đồ tọa độ cầu cho 12 khớp được chọn lọc và phân loại bằng mô hình Markov ẩn (HMM). Zanfir và cộng sự (2013) đề xuất bộ mô tả tư thế chuyển động (moving pose) kết hợp vị trí, vận tốc và gia tốc khớp. Devanne và cộng sự (2015) sử dụng phép nội suy spline và bộ phân loại SVM tuyến tính. Wu và cộng sự (2014) trích xuất đặc trưng tư thế, vận tốc và gia tốc kết hợp từ điển đặc trưng hành động. Fernando và cộng sự (2015) gom cụm các tư thế quan trọng và chọn các tập 7, 11, 15 khớp. Cavazza và cộng sự (2016) đề xuất bộ mô tả CovP3DJ chia khung xương thành 5 phần.
  • Tiếp cận theo bộ phận cơ thể (Body part-based): Vemulapalli và cộng sự (2014) biểu diễn hành động dưới dạng các đường cong trên nhóm Lie SE(3) và ánh xạ sang đại số Lie se(3), kết hợp Dynamic Time Warping (DTW) và FTP. Lv và cộng sự (2006) mô hình hóa trạng thái các chi thông qua trường ngẫu nhiên Markov (MRF). Ofli và cộng sự (2014) dựa trên phương sai góc khớp để tự động chọn ra tập 5 khớp giàu thông tin nhất. Jalal và cộng sự (2017) kết hợp các đặc trưng khoảng cách và góc định hướng trên hai tập con khớp.

Các phương pháp dựa trên học sâu

Sự phát triển của mạng nơ-ron sâu cho phép tự động trích xuất đặc trưng trực tiếp từ dữ liệu:

  • Mạng nơ-ron tích chập (CNN): Các nghiên cứu chuyển đổi chuỗi khung xương thành định dạng ảnh 2D để đưa vào mạng CNN. Ke và cộng sự (2017) đề xuất mạng học đa nhiệm (Multi-Task Learning Network - MTLN). Wang và cộng sự (2017) bổ sung mô-đun biến đổi khung xương. Hou và cộng sự (2016) xây dựng phép ánh xạ bất biến sang ảnh màu. Kim và cộng sự (2017) giới thiệu Temporal Convolutional Network với kết nối tắt (Res-TCN). Liu và cộng sự (2017) thiết kế phép biến đổi bất biến góc nhìn. Caetano và cộng sự (2019) đề xuất phương pháp biểu diễn SkeleMotion mô hình hóa biến động thời gian ở nhiều tỉ lệ.
  • Mạng nơ-ron hồi quy (RNN): Du và cộng sự (2015) phân chia khung xương thành 5 nhánh đưa vào mạng Bi-directional RNN. Shahroudy và cộng sự (2016) đề xuất cấu trúc Part-aware LSTM và Tree-based LSTM. Song và cộng sự (2017) bổ sung mô-đun chú ý không gian (SAM) và chú ý thời gian (TAM). Zhang và cộng sự (2017) phát triển cơ chế thích ứng góc nhìn tự động (View adaptive RNN). Si và cộng sự (2018) tích hợp mạng suy luận không gian (SRN) và học ngăn xếp thời gian (TSL). Liu và cộng sự (2017) đề xuất mô hình Global Context-Aware Attention LSTM (GCA-LSTM).
  • Mạng tích chập đồ thị (GCN): Mặc dù CNN và RNN đạt kết quả khả quan, cả hai cấu trúc đều không phản ánh được cấu trúc đồ thị phi Euclid tự nhiên của khung xương người. Các nghiên cứu GCN như ST-GCN (Yan et al., 2018), AS-GCN (Li et al., 2019), 2s-AGCN (Shi et al., 2019), MS-G3D (Liu et al., 2020), EfficientGCN (Song et al., 2021) và AAGCN (Shi et al., 2020) đã khắc phục nhược điểm này bằng cách thực hiện phép tích chập trực tiếp trên các đỉnh và cạnh đồ thị khung xương.

Các nghiên cứu nhận diện hành động tại Việt Nam

Tác giả điểm lại một số công trình tiêu biểu trong nước: nghiên cứu của Nguyễn và cộng sự (2014) sử dụng dữ liệu gia tốc kế trên điện thoại thông minh Samsung với thuật toán Cây quyết định để phân loại 6 hành động thường ngày; nghiên cứu phát hiện ngã dựa trên cảm biến gia tốc cho các hệ thống di động có năng lực tính toán thấp (2016); và nghiên cứu tối ưu hóa mức tiêu thụ năng lượng cho hệ thống nhận diện hành động dựa trên dữ liệu gia tốc (2018).

Vị trí và khoảng trống nghiên cứu của luận án

Mặc dù các mô hình GCN hiện đại như AAGCN đạt độ chính xác cao trên các tập dữ liệu lớn chuẩn (NTU RGB+D), mô hình cơ sở này chỉ sử dụng đơn lẻ thông tin tọa độ khớp mà chưa kết hợp đầy đủ thông tin vị trí tương đối và vận tốc chuyển động. Hơn nữa, hiệu năng của AAGCN suy giảm rõ rệt khi đối mặt với dữ liệu có độ nhiễu lớn từ cảm biến độ sâu (như tập dữ liệu CMDFALL). Mặt khác, độ phức tạp tính toán và dung lượng bộ nhớ của các mô hình GCN hiện nay còn quá lớn đối với các bộ xử lý nhúng trên thiết bị biên. Luận án xác định vị trí nghiên cứu là lấp đầy khoảng trống này thông qua kỹ thuật kết hợp đặc trưng chống nhiễu (FF-AAGCN) và tối ưu hóa kiến trúc đồ thị rút gọn (LW-FF-AAGCN).


Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án mô hình hóa cơ thể người dưới dạng một cấu trúc đồ thị không - thời gian $G = (V, E)$, trong đó:

  • Tập đỉnh $V = {v_{ti} \mid t = 1, \dots, T; i = 1, \dots, N}$ đại diện cho $N$ khớp xương của cơ thể qua $T$ khung hình thời gian.
  • Tập cạnh $E$ bao gồm hai thành phần: tập cạnh nội khung hình $E_S = {(v_{ti}, v_{tj}) \mid (i, j) \in H}$ biểu diễn liên kết giải phẫu tự nhiên giữa các khớp trong cùng thời điểm $t$, và tập cạnh liên khung hình $E_T = {(v_{ti}, v_{(t+1)i})}$ biểu diễn quỹ đạo chuyển động của cùng một khớp $i$ qua các khung hình liên tiếp.
  • Mô hình mạng AAGCN cơ sở sử dụng ma trận kề thích ứng $\tilde{A}_k$ được tối ưu hóa trong quá trình huấn luyện kết hợp với cơ chế chú ý không gian - thời gian - kênh (Spatial-Temporal-Channel - STC Attention Module).

Phương pháp nghiên cứu thực nghiệm và kỹ thuật phân tích

Luận án áp dụng phương pháp định lượng thực nghiệm có đối chứng, sử dụng các công cụ và kỹ thuật trích xuất, phân loại sau:

  1. Kỹ thuật biểu diễn đặc trưng thủ công:

    • Biến đổi thời gian động (Dynamic Time Warping - DTW): Chuẩn hóa chiều dài chuỗi và khử sai lệch tốc độ thực hiện hành động.
    • Tháp thời gian Fourier (Fourier Temporal Pyramid - FTP): Chuyển đổi tín hiệu sang miền tần số thông qua biến đổi Fourier rời rạc (DFT), trích xuất các hệ số tần số thấp để khử nhiễu tần số cao.
    • Mô tả hiệp phương sai thời gian (Temporal Covariance Descriptors - TCD/CovMIJ): Tính toán ma trận hiệp phương sai mẫu trên tọa độ khớp $COV(S_p)$ và vận tốc khớp $COV(S_v)$: $$COV(S) = \frac{1}{T-1} \sum_{t=1}^T (S(t) - \bar{S})(S(t) - \bar{S})^T$$
  2. Kỹ thuật học sâu và mô-đun kết hợp đặc trưng (Feature Fusion - FF):

    • Tọa độ khớp tương đối (Relative Joint Position - RJP): Tính khoảng cách tương đối từ mỗi khớp tới khớp gốc (khớp trung tâm thân người) $p_i(t) - p_{root}(t)$ nhằm loại bỏ ảnh hưởng của phép tịnh tiến khung xương trong không gian 3D.
    • Vận tốc khớp (Joint Velocity): Tính biến thiên vị trí giữa các khung hình liên tiếp $V(t) = p(t) - p(t - \Delta t)$ với bước nhảy thời gian $\Delta t$.
    • Mô-đun FF kết hợp song song RJP và vận tốc khớp, chuẩn hóa qua lớp Batch Normalization (BN), đưa qua 10 khối cơ bản không - thời gian (Spatial-Temporal Basic Blocks), tổng hợp bằng Global Average Pooling (GAP) và phân loại qua lớp Softmax.

Nguồn dữ liệu thực nghiệm

STT Tên bộ dữ liệu Năm công bố Phương thức dữ liệu Số lớp hành động Số đối tượng Tổng số mẫu Thiết bị thu thập
1 MSR-Action3D 2010 Depth, Skeleton 20 10 557 Kinect v1 (20 khớp, 15 fps)
2 MICA-Action3D 2020 RGB, Depth, Skeleton 20 20 1.196 Kinect v1 (20 khớp, 20 fps)
3 CMDFALL 2018 RGB, Depth, Skeleton, Accel 20 50 1.963 Kinect v1 (20 khớp, 20 fps, View 3)
4 NTU RGB+D 2016 RGB, Depth, Skeleton 60 40 56.880 Kinect v2 (25 khớp, 30 fps, 17 setups)

Nội dung chính theo từng chương

Chapter 1: Literature Review (Tổng quan tài liệu)

Chương này cung cấp bức tranh tổng thể về các phương thức dữ liệu (color, depth, skeleton, acceleration, point cloud), kỹ thuật thu thập khung xương (hệ thống MoCap, cảm biến cấu trúc ánh sáng Kinect v1, cảm biến thời gian bay Time-of-Flight Kinect v2, và các công cụ ước lượng tư thế như OpenPose, MediaPipe). Chương 1 hệ thống hóa chi tiết các thuật toán nhận diện từ các mô hình đặc trưng thủ công phân cấp, tiếp cận hình học nhóm Lie, đến các kiến trúc mạng nơ-ron học sâu tích chập, hồi quy và đồ thị, đồng thời điểm lại các nghiên cứu nhận diện hành động tại Việt Nam.

Chapter 2: Joint Subset Selection for Skeleton-based Human Action Recognition (Lựa chọn tập con khớp xương cho nhận diện hành động người dựa trên khung xương)

Chương 2 trình bày hai phương pháp lựa chọn tập con khớp nhằm tối ưu hóa biểu diễn hành động:

  1. Lựa chọn tập con khớp định trước (Preset Joint Subset Selection - Preset JSS): Dựa trên phân tích giải phẫu học chuyển động, loại bỏ các khớp ít tham gia hoặc mang tính dư thừa (như ngón tay, mắt cá chân, cổ tay gắn liền với bàn tay). Từ mô hình 20 khớp của Kinect v1, một tập con 13 khớp quan trọng được chọn lọc.
  2. Lựa chọn tự động khớp giàu thông tin nhất (Most Informative Joint - MIJ Selection): Đề xuất thuật toán gán trọng số khớp $w_i$ dựa trên độ biến thiên động học trong từng lớp hành động:
    • Số lượng khớp cố định (Fixed number of MIJ - FMIJ): Chọn cố định $M$ khớp có trọng số cao nhất.
    • Số lượng khớp thích ứng (Adaptive number of MIJ - AMIJ): Tự động chọn các khớp vượt qua một ngưỡng sai số/năng lượng xác định.

Các thực nghiệm trên MSR-Action3D và CMDFALL chứng minh:

  • Biểu diễn khung xương với tập con khớp kết hợp bộ mô tả hiệp phương sai thời gian phân cấp (CovMIJ) giúp giảm thời gian tính toán và tăng độ chính xác phân loại trên tập dữ liệu có độ nhiễu cao (CMDFALL) so với việc sử dụng toàn bộ 20 khớp.
  • Trên tập MSR-Action3D (chia thành ba tập con AS1, AS2, AS3), mô hình sử dụng tập con khớp đạt hiệu năng cao với cấu trúc phân cấp thời gian tối ưu.

Chapter 3: Feature Fusion for the Graph Convolutional Network (Nối kết hợp đặc trưng cho mạng tích chập đồ thị)

Chương 3 giải quyết bài toán nâng cao độ chính xác và tính bền vững của mạng tích chập đồ thị trên dữ liệu nhiễu:

  • Phân tích hạn chế của mô hình đường cơ sở AAGCN khi chỉ tiếp nhận dữ liệu vị trí khớp thô.
  • Thiết kế mô-đun Feature Fusion (FF): Kết hợp tọa độ khớp tương đối (RJP) $Sp(t)$ để đảm bảo tính bất biến tịnh tiến và vận tốc khớp $Sv(t)$ với các độ trễ thời gian $\Delta t$ khác nhau nhằm nắm bắt thông tin động học tức thời.
  • Mô hình đề xuất FF-AAGCN được đánh giá toàn diện trên tập dữ liệu CMDFALL (nhiễu cao) và NTU RGB+D (quy mô lớn).

Kết quả thực nghiệm nổi bật:

  • Trên tập dữ liệu CMDFALL, mô hình FF-AAGCN cải thiện vượt bậc độ chính xác, điểm Precision, Recall và F1-score so với mô hình gốc AAGCN, phân tách rõ ràng các lớp hành động dễ nhầm lẫn (như ngã sang trái và ngã sang phải).
  • Phân tích trực quan hóa phân bố không gian đặc trưng bằng kỹ thuật t-SNE cho thấy các cụm hành động của FF-AAGCN có độ hội tụ nội lớp chặt chẽ và khoảng cách liên lớp lớn hơn hẳn AAGCN.
  • Trên bộ dữ liệu chuẩn NTU RGB+D, FF-AAGCN đạt độ chính xác cạnh tranh trên cả hai tiêu chuẩn Cross-Subject (CS) và Cross-View (CV).

Chapter 4: The Proposed Lightweight Graph Convolutional Network (Đề xuất mạng tích chập đồ thị dung lượng nhẹ)

Chương 4 tập trung giải quyết yêu cầu triển khai mô hình trên thiết bị phần cứng có tài nguyên hạn chế:

  • Đề xuất mô hình rút gọn LW-FF-AAGCN dựa trên việc giảm số lượng khối cơ bản Spatial-Temporal Basic Blocks và tái cấu trúc đồ thị khung xương.
  • Thiết kế hai dạng đồ thị rút gọn trên tập 13 khớp chọn lọc:
    • Graph Type A (JSS-A): Đồ thị 13 khớp nối theo liên kết giải phẫu tự nhiên.
    • Graph Type B (JSS-B): Đồ thị 13 khớp bổ sung thêm các cạnh liên kết giữa các khớp đối xứng trên cơ thể (ví dụ tay trái - tay phải, chân trái - chân phải).
  • Đánh giá hiệu năng, số lượng tham số (Parameters), khối lượng tính toán (FLOPs), dung lượng bộ nhớ (Memory cost), và thời gian suy diễn (Inference time) trên CMDFALL, MSR-Action3D, MICA-Action3D và NTU RGB+D.
  • Tác giả xây dựng một ứng dụng demo thực tế đánh giá động tác tập Yoga, sử dụng công cụ Google MediaPipe để ước lượng khung xương 33 điểm mốc từ video RGB thời gian thực và đưa qua mô hình nhận diện hành động đề xuất.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và học thuật

  1. Phương pháp luận chọn lọc khớp xương (JSS): Chứng minh bằng thực nghiệm rằng việc sử dụng toàn bộ các khớp từ cảm biến RGB-D không phải lúc nào cũng mang lại hiệu quả tối ưu. Việc loại bỏ các khớp ngoại vi ít chuyển động hoặc các khớp có sai số ước lượng lớn giúp mô hình tập trung vào các thành phần mang thông tin phân biệt cao nhất.
  2. Mô hình kết hợp đặc trưng không - thời gian cho mạng đồ thị (FF-AAGCN): Cung cấp giải pháp kết hợp hiệu quả giữa đặc trưng vị trí tương đối (RJP) và vận tốc khớp (Velocity) vào kiến trúc GCN thích ứng, nâng cao độ bền vững của mô hình trước hiện tượng nhiễu dữ liệu và sự thay đổi góc quan sát.

Đóng góp về mặt kỹ thuật và ứng dụng thực tiễn

  1. Kiến trúc mạng nơ-ron dung lượng nhẹ (LW-FF-AAGCN): Giảm đáng kể số lượng tham số mô hình và chi phí tính toán FLOPs so với mô hình AAGCN gốc trong khi vẫn duy trì độ chính xác cao. Kết quả này tạo điều kiện thuận lợi cho việc cài đặt và vận hành hệ thống nhận diện thời gian thực trên các thiết bị nhúng và thiết bị biên.
  2. Xây dựng ứng dụng thử nghiệm: Hiện thực hóa mô hình nhận diện trong hệ thống hỗ trợ đánh giá bài tập Yoga kết hợp với bộ công cụ MediaPipe, minh chứng tính khả thi của giải pháp trong bài toán chăm sóc sức khỏe và hỗ trợ tập luyện cá nhân.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

Theo các phạm vi và ràng buộc được tác giả trình bày trong luận án:

  • Nghiên cứu chỉ tập trung vào các chuỗi khung xương đã được cắt phân đoạn chứa một hành động đơn lẻ, chưa giải quyết trọn vẹn bài toán phát hiện hành động liên tục (action detection/spotting) vốn đòi hỏi tự động xác định điểm bắt đầu và kết thúc của hành động trong dòng dữ liệu video dài.
  • Phạm vi hành động giới hạn ở các hoạt động thường ngày, chưa mở rộng sang các lĩnh vực biểu diễn nghệ thuật phức tạp hoặc hoạt động thể thao chuyên sâu đa dạng.
  • Quá trình xử lý thực nghiệm trên các tập dữ liệu đa góc nhìn (như NTU RGB+D) được thực hiện dưới dạng xử lý góc nhìn đơn lẻ độc lập, chưa xây dựng cơ chế hợp nhất thông tin đồng thời từ nhiều camera (multi-view fusion).
  • Ứng dụng demo bài tập Yoga mới chỉ dừng lại ở mô-đun nhận diện phân loại động tác, các thành phần định lượng điểm số tư thế (exercise scoring/assessment) và phản hồi chuyên sâu chưa nằm trong phạm vi hoàn thiện của luận án.

Hướng phát triển tiếp theo

  • Mở rộng kiến trúc mạng để giải quyết bài toán phát hiện hành động (action detection) trên các luồng dữ liệu khung xương liên tục chưa phân đoạn.
  • Nghiên cứu kết hợp đa góc nhìn đồng thời (multi-view action recognition) nhằm khắc phục triệt để hiện tượng che khuất khớp trong không gian 3D.
  • Tích hợp mô-đun nhận diện vào hệ thống hoàn chỉnh bao gồm chấm điểm kỹ thuật động tác, đánh giá tư thế chuẩn và cảnh báo sai lệch động tác trong thời gian thực cho người dùng.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu và hữu ích cho:

  • Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Thị giác máy tính, Trí tuệ nhân tạo và Kỹ thuật máy tính: Tham khảo cơ sở lý thuyết toàn diện về xử lý dữ liệu đồ thị khung xương, các kỹ thuật phân tích ma trận hiệp phương sai, mô hình AAGCN và kỹ thuật thiết kế mô-đun chú ý STC.
  • Kỹ sư phát triển hệ thống AI và IoT: Tham khảo kiến trúc mạng tích chập đồ thị dung lượng nhẹ (LW-FF-AAGCN), phương pháp tối ưu hóa tham số và số lượng phép tính FLOPs để triển khai các mô hình thị giác trên thiết bị phần cứng hạn chế (Raspberry Pi, Jetson Nano, camera thông minh).
  • Các nhà phát triển ứng dụng y tế, giám sát thông minh: Tham khảo quy trình tiền xử lý và thuật toán phân loại hành động chống nhiễu trên dữ liệu ngã, phục vụ bài toán giám sát an toàn cho người cao tuổi và cảnh báo bất thường trong bệnh viện.

Câu hỏi thường gặp

1. Luận án sử dụng những bộ dữ liệu khung xương nào để đánh giá thực nghiệm?

Luận án thực nghiệm trên bốn bộ dữ liệu:

  • MSR-Action3D: 20 hành động, 10 đối tượng, 557 chuỗi mẫu (Kinect v1).
  • MICA-Action3D: 20 hành động, 20 đối tượng, 1.196 chuỗi mẫu (Kinect v1).
  • CMDFALL: 20 hành động (nhiều tư thế ngã/nằm sàn gây nhiễu khung xương), 50 đối tượng, 1.963 chuỗi mẫu (Kinect v1, View 3).
  • NTU RGB+D: 60 hành động, 40 đối tượng, 56.880 chuỗi mẫu (Kinect v2, 25 khớp).

2. Sự khác biệt cốt lõi giữa hai phương pháp Preset JSS và MIJ ở Chương 2 là gì?

Preset JSS là phương pháp chọn tập con khớp cố định dựa trên kiến thức giải phẫu (chọn 13 khớp quan trọng từ 20 khớp của mô hình Kinect v1, loại bỏ các khớp ngoại vi dư thừa). Trong khi đó, MIJ (gồm FMIJ và AMIJ) là phương pháp lựa chọn tự động dựa trên tính toán phương sai và trọng số động học $w_i$ của từng khớp đối với từng lớp hành động cụ thể.

3. Mô-đun Feature Fusion (FF) trong mô hình FF-AAGCN giải quyết vấn đề gì?

Mô hình cơ sở AAGCN chỉ sử dụng dữ liệu tọa độ khớp gốc nên dễ bị ảnh hưởng bởi phép tịnh tiến và nhiễu cảm biến. Mô-đun FF kết hợp đồng thời Tọa độ khớp tương đối (RJP - loại bỏ ảnh hưởng vị trí tuyệt đối/tịnh tiến) và Vận tốc khớp (Velocity - bổ sung thông tin động học tức thời giữa các khung hình), giúp mạng đạt hiệu năng cao và ổn định trên các tập dữ liệu nhiễu như CMDFALL.

4. Mô hình LW-FF-AAGCN đạt được tính chất "dung lượng nhẹ" (lightweight) bằng cách nào?

Mô hình LW-FF-AAGCN giảm số lượng khối cơ bản Spatial-Temporal Basic Blocks và áp dụng tập con 13 khớp xương với hai cấu trúc đồ thị rút gọn (JSS-A theo liên kết tự nhiên và JSS-B bổ sung liên kết đối xứng), qua đó cắt giảm đáng kể số lượng tham số mô hình, chi phí bộ nhớ và số lượng phép tính FLOPs, giúp tăng tốc độ suy diễn trên các thiết bị biên.

5. Ứng dụng thử nghiệm thực tế của luận án được xây dựng trên công cụ nào?

Ứng dụng demo được xây dựng để nhận diện và theo dõi bài tập Yoga, sử dụng công cụ mã nguồn mở Google MediaPipe để ước lượng khung xương 33 điểm mốc từ luồng video của một người và tích hợp mô hình nhận diện hành động đề xuất.


Kết luận

Luận án tiến sĩ của tác giả Phạm Đình Tân đã nghiên cứu và đề xuất các giải pháp kỹ thuật có hệ thống nhằm nâng cao hiệu năng nhận diện hành động người từ dữ liệu khung xương 3D thu nhận bởi cảm biến RGB-D. Các đóng góp chính bao gồm kỹ thuật lựa chọn tập con khớp tối ưu (Preset JSS và MIJ), mô hình kết hợp đặc trưng chống nhiễu FF-AAGCN và kiến trúc mạng đồ thị dung lượng nhẹ LW-FF-AAGCN. Các kết quả thực nghiệm trên các tập dữ liệu chuẩn MSR-Action3D, MICA-Action3D, CMDFALL và NTU RGB+D đã chứng minh tính hiệu quả, độ bền vững với nhiễu và khả năng ứng dụng thực tế của các phương pháp đề xuất trên các thiết bị tính toán biên.