CHƯƠNG 1. TỔNG QUAN HỌC SÂU TRONG MẠNG NƠ-RON. Tổng quan về học máy, học sâu. Khái niệm cơ bản về mạng nơ-ron.
Mạng nơ-ron sinh học. Mạng nơ-ron nhân tạo. Phân loại mạng nơ-ron nhân tạo. Huấn luyện mạng nơ-ron nhân tạo.
Mạng nơ-ron tích chập. Giới thiệu về mạng nơ-ron tích chập. Các lớp trong mạng nơ-ron tích chập. Vấn đề về giám sát an ninh.
KỸ THUẬT THEO DÕI ĐỐI TƯỢNG (OBJECT TRACKING). Tổng quan về theo kỹ thuật dõi đối tượng (Object Tracking). Thuật toán TBD dựa trên học sâu. Thuật toán TBD dựa trên mô hình học sâu phát hiện đối tượng.
Thuật toán TBD dựa trên mô hình học sâu theo dõi đối tượng. Thuật toán JDT dựa trên học sâu. Mô-đun theo dõi và phát hiện hợp nhất. Liên kết dữ liệu và trích xuất đặc trưng hợp nhất.
Thuật toán kết hợp theo dõi đối tượng đơn lẻ. Thuật toán MOT dựa trên Transformer. Thuật toán MOT dựa trên kiến trúc Transformer. So sánh các thuật toán MOT dựa trên kiến trúc Transformer.
Những thử thách chính của MOT. Sự che phủ. Những thử thách đối với kiến trúc nhẹ (Lightweight Architecture). Một số thử thách thường gặp.
KẾT QUẢ THỬ NGHIỆM TRONG BÀI TOÁN CAMERA GIÁM SÁT. Phát biểu bài toán camera giám sát người. Thu thập cơ sở dữ liệu. Cơ sở dữ liệu.
Công cụ gán nhãn dữ liệu. Huấn luyện mô hình. Mô hình YOLOv8. Mô hình Deep SORT.
Kết quả huấn luyện mô hình. Phân tích và đánh giá kết quả thu được. 64 TÀI LIỆU THAM KHẢO. 65 v DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT STT Chữ viết tắt Ý nghĩa Artificial Intelligence 1 AI (Trí tuệ nhân tạo) Artificial Neural Network 2 ANN (Mạng nơ-ron nhân tạo) Convolutional Neural Network 3 CNN (Mạng nơ-ron tích chập) Joint Detection and Tracking 4 JDT (Phát hiện và theo dõi khớp) Long short term memory 5 LSTM (Bộ nhớ ngắn hạn dài hạn) Multiple Object Tracking 6 MOT (Theo dõi nhiều đối tượng) Recurrent Neural Network 7 RNN (Mạng nơ-ron hồi quy) Simple Online Realtime Object Tracking (Theo dõi 8 SORT đối tượng thời gian thực trực tuyến đơn giản) Single Object Tracking 9 SOT (Theo dõi đối tượng đơn lẻ) Tracking by Detection 10 TBD (Theo dõi bằng cách phát hiện) vi DANH MỤC CÁC BẢNG Bảng 3.
Thông tin chi tiết cơ sở dữ liệu thực nghiệm .52 vii DANH MỤC CÁC HÌNH Hình 1. Các phương pháp máy học. Mối quan hệ giữa AI, Machine Learning và Deep Learning. Một mạng nơ-ron sâu cho phân loại chữ số.
Đặc trưng sâu được học bởi mô hình phân loại chữ số. Một mạng nơ-ron được tham số hóa bởi các trọng số của nó. Hàm mất mát đo lường chất lượng đầu ra của mạng. Điểm mất mát được sử dụng làm tín hiệu phản hồi để điều chỉnh trọng số.
Cấu trúc của một nơ-ron sinh học điển hình. Mô hình nơ-ron nhân tạo. Mô hình toán học mạng nơ-ron nhân tạo. Mô hình mạng nơ-ron nhân tạo.
Hàm kích hoạt ReLU. Phân loại mạng nơ-ron nhân tạo. Mô hình học có giám sát. Mô hình học không có giám sát.
Mô hình học tăng cường. Mô hình CNN phân loại ảnh. Một ví dụ về bộ lọc hình ảnh 2D. Minh họa hoạt động của một lớp tích chập.
Minh họa hoạt động của một lớp tích chập với phần đệm bằng 1 và bước sải bằng 2. Minh họa hoạt động của một lớp gộp tối đa (max-pooling layer) với vùng gộp là 2x2 và bước sải bằng 1. Phân loại và thuật toán theo dõi đa đối tượng trực quan dựa trên học sâu. Các thủ tục chính của nền tảng TBD, bao gồm bốn thành phần cốt lõi.
Ba nền tảng thuật toán của JDT. Kiến trúc bộ mã hóa-giải mã của transformer. Hình ảnh minh họa về sự che phủ. Mô hình tổng quan của hệ thống đề xuất.
Minh họa ảnh trong cơ sở dữ liệu “Humans_data Image Dataset”. Minh họa ảnh trong cơ sở dữ liệu được thu thập thủ công. Giao diện làm việc trên công cụ Make Sense. Cấu trúc mô hình YOLOv8.
Kết quả huấn luyện mô hình. Đường cong Precision – Recall. Minh họa kết quả phát hiện người trong quá trình huấn luyện.61 ix LỜI NÓI ĐẦU Mạng nơ-ron sâu (Deep neural networks) đang được nghiên cứu tích cực và các mô hình học sâu đã được sử dụng rộng rãi trong lĩnh vực thị giác máy tính. Học sâu có những lợi thế đáng kể so với phân loại đối tượng truyền thống.
Phương pháp truyền thống được sử dụng để trích xuất thủ công các đặc trưng, và các chuyên gia xử lý chúng theo cách thủ công thông qua tích lũy và kinh nghiệm trong một thời gian dài. Phương pháp dựa trên học sâu trích xuất đặc trưng trực tiếp từ dữ liệu. Các đặc trưng liên quan được học trong quá trình huấn luyện mạng từ dữ liệu được thu thập. Việc trích xuất đặc trưng tự động như vậy đảm bảo độ chính xác của các phương pháp dựa trên học sâu cho các bài toán trong lĩnh vực thị giác máy tính.
Các phương pháp dựa trên học tập sâu có thể cung cấp độ chính xác rất cao. Những năm gần đây, nhu cầu trang bị camera giám sát (Camera an ninh) dần phổ biến rộng rãi trong nhiều ngành nghề, lĩnh vực, từ các tòa nhà văn phòng, cơ quan hành chính, cho đến các cửa hàng buôn bán nhỏ lẻ, hộ gia đình dưới nhiều hình thức khác nhau. Ngoài mục đích then chốt là đảm bảo an ninh, thì camera giám sát còn được sử dụng như một công cụ để doanh nghiệp phân tích thói quen, hành vi của con người, qua đó tăng cường trải nghiệm tích cực từ phía người dùng, cũng như đơn vị quản lý. Trước nhu cầu đó, nhiều trường viện và tổ chức khoa học đã đẩy mạnh nghiên cứu và triển khai thử nghiệm việc tích hợp trí tuệ nhân tạo (AI) vào hệ thống camera giám sát, thông qua việc khai thác các lĩnh vực/công nghệ như thị giác máy tính, xử lý ngôn ngữ tự nhiên, robotics, biểu diễn tri thức và suy diễn; Từ đó cho phép tăng cường khả năng xử lý dữ liệu, phân tích và nhận diện con người với số lượng lớn tại cùng một thời điểm.
Theo dõi đối tượng (Object tracking) là một những lĩnh vực nghiên cứu đầy tiềm năng của thị giác máy tính (Computer vision). Việc theo dõi chủ yếu dựa trên hình ảnh của các đối tượng thu được từ các camera giám sát. Trong các thập niên gần đây, lĩnh vực này đã thu hút đáng kể các nhà nghiên cứu về thị giác máy tính nhờ vào x sự đa dạng của các ứng dụng tiềm năng làm cho lĩnh vực này trở thành mục tiêu nghiên cứu hấp dẫn. Xuất phát từ những vấn đề nêu trên, đề tài này sẽ nghiên cứu kỹ thuật theo dõi đối tượng dựa trên mạng nơ-ron và ứng dụng trong bài toán camera giám sát.
Hệ thống này sẽ thực hiện lưu vết đường đi của bất kỳ người nào khi vào vùng quan sát của camera. Mặt khác, hệ thống có thể phát ra cảnh báo có người xâm nhập. Từ các kết quả nghiên cứu của đề tài sẽ giúp tăng cường hiệu quả của việc giám sát an ninh thông minh. TỔNG QUAN HỌC SÂU TRONG MẠNG NƠ-RON 1.
Tổng quan về học máy, học sâu 1. Giới thiệu về học máy Học máy là một lĩnh vực của trí tuệ nhân tạo (Artificial Intelligence - AI) và khoa học máy tính, nghiên cứu về việc tạo ra các mô hình và thuật toán để cho máy tính học hỏi từ dữ liệu và cải thiện hiệu suất trong các nhiệm vụ cụ thể mà không cần phải được lập trình trực tiếp. Học máy giúp máy tính tự động học hỏi và điều chỉnh chính nó để cải thiện kết quả của nó khi xử lý các nhiệm vụ cụ thể. Quá trình học được thực hiện bằng cách sử dụng các thuật toán và mô hình được đào tạo từ dữ liệu.
Để đào tạo một mô hình học máy, chúng ta cung cấp cho nó một tập dữ liệu đầu vào và kết quả đầu ra mong muốn. Mô hình sẽ học từ các ví dụ này và sau đó có thể dự đoán đầu ra cho các dữ liệu mới mà nó chưa từng thấy trước đó. Học máy được sử dụng trong nhiều lĩnh vực như xử lý ngôn ngữ tự nhiên, xử lý ảnh, nhận dạng giọng nói, khai thác dữ liệu, tư vấn khách hàng, tự động hóa công việc, và đặc biệt là xe tự lái. Học máy cũng là một trong những lĩnh vực được phát triển mạnh mẽ trong thời gian gần đây và được dự báo sẽ đóng vai trò quan trọng trong tương lai của công nghệ.
Ứng dụng của học máy Học máy được sử dụng rộng rãi trong nhiều lĩnh vực và có nhiều ứng dụng khác nhau, bao gồm: - Xử lý ngôn ngữ tự nhiên: Học máy được sử dụng để phân loại văn bản, phát hiện ngôn ngữ, dịch thuật và tạo ra các chức năng tương tác giọng nói. - Xử lý ảnh và video: Học máy được sử dụng để phân loại hình ảnh, nhận diện khuôn mặt, phát hiện đối tượng và phân tích video. 2 - Nhận dạng giọng nói: Học máy được sử dụng để nhận dạng giọng nói và chuyển đổi giọng nói thành văn bản. - Tư vấn khách hàng: Học máy được sử dụng để tạo ra các hệ thống tư vấn khách hàng tự động dựa trên dữ liệu về hành vi của khách hàng.
- Tự động hóa công việc: Học máy được sử dụng để tự động hóa các nhiệm vụ công việc, như việc phân loại và phân tích dữ liệu hoặc tạo ra các báo cáo tự động. - Khai thác dữ liệu: Học máy được sử dụng để tìm ra các mẫu và quy luật trong dữ liệu và áp dụng chúng vào các quyết định kinh doanh. - Xe tự lái: Học máy được sử dụng để giúp các hệ thống xe tự động học hỏi và cải thiện khả năng lái và nhận biết tình huống trên đường. Trên thực tế, học máy được sử dụng trong hầu hết các lĩnh vực của cuộc sống hiện đại, từ dịch vụ ngân hàng đến y tế và sản xuất.
Học máy đang trở thành một công cụ mạnh mẽ và cần thiết để giúp cho các tổ chức và doanh nghiệp phát triển và cải thiện hiệu quả công việc của mình. Các phương pháp học máy Các thuật toán dựa trên phương pháp học trong machine learning (Hình 1.1) bao gồm: Học có giám sát (Supervised learning), học không giám sát (Unsupervised learning), học bán giám sát (Semi-Supervised learning) và học củng cố (Reinforcement Learning). Học có giám sát (Supervised learning): Học có giám sát được hiểu là cách sử dụng các tập dữ liệu được gắn nhãn để huấn luyện thuật toán phân loại hoặc dự đoán kết quả một cách chính xác.