Tổng quan luận án
Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính (mã số: 62 48 01 01) với đề tài "Nghiên cứu biểu diễn và nhận dạng đối tượng chuyển động dựa trên đại số hình học bảo giác và học máy" được thực hiện bởi nghiên cứu sinh Nguyễn Năng Hùng Vân dưới sự hướng dẫn khoa học của TS. Phạm Minh Tuấn tại Đại học Đà Nẵng năm 2021.
Sự phát triển của khoa học và công nghệ đã tạo ra khối lượng dữ liệu lớn từ các hệ thống giao dịch điện tử, lưu trữ đa phương tiện và cảm biến Internet vạn vật (IoT). Thực tiễn nghiên cứu đặt ra yêu cầu chuyển từ thu nhận dữ liệu mức thấp sang phân tích, nhận dạng và dự báo mức cao. Nhận dạng đối tượng chuyển động trong không gian 3D là bài toán quan trọng, phục vụ các ứng dụng an ninh, nhà thông minh và bệnh viện thông minh.
Tuy nhiên, các phương pháp biểu diễn dữ liệu truyền thống trong học máy (như PCA, LDA, PCR, SVM, mạng nơron) chủ yếu dựa trên biến đổi tuyến tính, giả định dữ liệu phân bố trên mặt phẳng hoặc siêu phẳng và sử dụng hàm khoảng cách Euclid từ điểm đến điểm. Cách tiếp cận này bộc lộ khoảng trống lớn khi xử lý các đối tượng chuyển động quay phức tạp có dữ liệu phân bố trên mặt cầu hoặc siêu cầu, đồng thời làm mất đi các liên kết hình học thực tế của đối tượng.
Mục tiêu nghiên cứu tổng quát của luận án là nghiên cứu đại số hình học bảo giác (CGA) nhằm biểu diễn các đối tượng chuyển động phức tạp trong không gian, từ đó đề xuất mô hình kết hợp CGA với học máy để nâng cao hiệu quả nhận dạng đối tượng chuyển động và hành động của con người. Luận án xác định năm mục tiêu cụ thể:
- Nghiên cứu tổng quan về biểu diễn dữ liệu không gian, các phương pháp biểu diễn dữ liệu trong học máy, đại số hình học (GA), đại số hình học bảo giác (CGA) và một số mô hình học máy phổ biến.
- Nghiên cứu và đề xuất mô hình kết hợp CGA với học máy để phân cụm dữ liệu cho mô hình Markov ẩn (HMM) phục vụ huấn luyện và nhận dạng.
- Đề xuất sử dụng CGA thay thế cho PCA nhằm tối ưu hóa dữ liệu trong mô hình hồi quy thành phần chính (PCR) áp dụng cho nhận dạng hành động người.
- Đề xuất phương pháp giảm chiều dữ liệu thông qua trích chọn đặc trưng bằng CGA kết hợp mạng nơron hồi quy (RNN) để nhận dạng hành động người.
- Xây dựng mô hình thực nghiệm dựa trên các phương pháp đề xuất để kiểm chứng, so sánh và đánh giá kết quả định lượng.
Đối tượng và phạm vi nghiên cứu của luận án được xác định rõ:
- Đối tượng nghiên cứu: Đại số hình học và đại số hình học bảo giác; các mô hình học máy gồm HMM, PCR và RNN; phương pháp phân cụm dữ liệu và trích chọn đặc trưng sử dụng CGA trong chuyển động quay và nhận dạng hành động người.
- Phạm vi nghiên cứu: Tập trung nghiên cứu CGA dựa trên các liên kết hình học (điểm, đường thẳng, mặt phẳng, hình cầu, siêu cầu) áp dụng vào học máy; xây dựng mô hình phân cụm, trích chọn đặc trưng và kết hợp CGA với các mô hình học máy để huấn luyện, nhận dạng trên bộ dữ liệu chụp chuyển động (mocap) 3D của Đại học Carnegie Mellon (CMU, Hoa Kỳ).
Tổng quan tài liệu và vị trí của luận án
Trong quá trình xây dựng cơ sở nghiên cứu, tác giả điểm lại các công trình nền tảng về toán học, xử lý ảnh và học máy:
- Về nền tảng đại số hình học: W. Rowan Hamilton phát minh ra đại số quaternions (1844); H. Grassmann giới thiệu khái niệm ngoại tích (1844); William Kingdom Clifford hợp nhất đại số Grassmann và Hamilton thành cấu trúc đại số Clifford (1878) với định nghĩa tích hình học; D. Hestenes phát triển đại số hình học bảo giác (CGA) thông qua việc biểu diễn không gian thực mở rộng với hai vectơ cơ sở thực và ảo.
- Về các kỹ thuật biểu diễn và trích chọn đặc trưng trong học máy: Gehrig sử dụng phân tích biệt thức tuyến tính (LDA) và chuyển tiếp tuần tự (SFS) để lựa chọn đặc trưng và giảm chi phí tính toán; Qin Jin áp dụng LDA cho mô hình hỗn hợp Gauss (GMM) trong nhận dạng tiếng nói; Omar Faruqe và Mehedi Hasan kết hợp PCA với SVM (PSVM, RBFSVM) để nhận dạng khuôn mặt trên tập dữ liệu ORL Face; Manosha Chathuramali và Ranga Rodrigo sử dụng bộ phân lớp SVM nhận dạng hành động người trên các bộ dữ liệu Weizmann và UIUC1; P. Viola áp dụng ma trận biểu diễn trong nhận dạng hình ảnh.
- Về mô hình nhận dạng chuỗi và hành động: Andrei Andreyevich Markov và các công trình phát triển mô hình Markov ẩn (HMM) từ thập niên 1960; Fengjun phân tích 7 loại đặc trưng tư thế người kết hợp khớp xương và sử dụng HMM để nhận dạng; MacQueen đề xuất thuật toán phân cụm k-means dựa trên tối thiểu hóa khoảng cách; Anand (2020) sử dụng cảm biến điện thoại thông minh gắn trên người để thu thập dữ liệu chuỗi và huấn luyện qua mạng RNN.
Vị trí của luận án được định vị tại điểm giao giữa toán học hình học (CGA) và các thuật toán học máy:
- Khoảng trống luận án lựa chọn giải quyết: Các nghiên cứu trước đây về GA và CGA chủ yếu tập trung vào không gian GA số phức hoặc quaternions trong thị giác máy tính và xử lý tín hiệu, chưa chú trọng kết hợp CGA với các thuật toán học máy để biểu diễn và nhận dạng chuyển động quay trong không gian nhiều chiều.
- Giải pháp của luận án: Sử dụng CGA để thay thế không gian Euclid phẳng trong các bước phân cụm, trích chọn đặc trưng và phân lớp, khắc phục độ phức tạp tính toán (ví dụ phép quay 3D trong GA chỉ cần 4 tham số so với 27 tham số của ma trận quay) và nâng cao độ chính xác khi mô hình hóa dữ liệu phân bố dạng mặt cầu, siêu cầu.
Cơ sở lý thuyết và phương pháp nghiên cứu
Luận án xây dựng trên khung lý thuyết toán học và học máy chặt chẽ, kết hợp phương pháp phân tích lý thuyết với kiểm chứng thực nghiệm định lượng:
Khung lý thuyết và khái niệm toán học
- Đại số hình học (GA / Đại số Clifford): Không gian $\mathcal{G}_{p, q}$ được định nghĩa với các vectơ cơ sở thỏa mãn $e_i^2 = +1$ với $i \in {1, \dots, p}$ và $e_j^2 = -1$ với $j \in {p+1, \dots, p+q}$. Tích hình học của hai vectơ $a, b$ là tổng của nội tích và ngoại tích:
$$ab = a \cdot b + a \wedge b$$
Trong đó, nội tích $a \cdot b = \frac{1}{2}(ab + ba)$ có tính giao hoán, ngoại tích $a \wedge b = \frac{1}{2}(ab - ba) = - (b \wedge a)$ tạo thành bivector đại diện cho diện tích và hướng mặt phẳng.
- Phép phản xạ của vectơ $a$ qua siêu phẳng có vectơ pháp tuyến $m$ ($m^2 = 1$): $a' = -m a m$.
- Phép quay qua hai mặt phẳng có pháp tuyến $m, n$: $a'' = R a R^\dagger$, với $R = nm$ là rotor. Trong không gian 3D, rotor được xác định bởi 4 tham số:
$$R = a_0 + a_1 e_{23} + a_2 e_{31} + a_3 e_{12}$$
- Đại số hình học bảo giác (CGA): Mở rộng không gian thực $\mathbb{R}^n$ thành không gian $\mathbb{R}^{n+1, 1}$ bằng cách thêm hai vectơ cơ sở $e, \bar{e}$ với $e^2 = 1, \bar{e}^2 = -1$, hoặc biểu diễn qua cơ sở gốc tọa độ $e_o$ và vô cực $e_\infty$:
$$e_o = \frac{1}{2}(\bar{e} - e), \quad e_\infty = e + \bar{e}$$
với tính chất $e_o^2 = 0, e_\infty^2 = 0, e_o \cdot e_\infty = -1$. Một điểm $x \in \mathbb{R}^n$ được ánh xạ thành vectơ bảo giác $X \in \mathbb{R}^{n+1, 1}$:
$$X = x + \frac{1}{2}|x|^2 e_\infty + e_o$$
Mặt cầu tâm $c$, bán kính $r$ được biểu diễn là $S = c + \frac{1}{2}(|c|^2 - r^2)e_\infty + e_o$. Mặt phẳng có pháp tuyến $n$ và khoảng cách $d$ được biểu diễn là $\pi = n + d e_\infty$. Điểm $X$ thuộc mặt cầu $S$ hoặc mặt phẳng $\pi$ khi tích vô hướng $X \cdot S = 0$ hoặc $X \cdot \pi = 0$.
- Các mô hình học máy sử dụng trong nghiên cứu:
- Mô hình hỗn hợp Gauss (GMM) xác định bởi $\lambda = {\alpha_m, \mu_m, \Sigma_m}$ với thuật toán cực đại hóa kỳ vọng (EM).
- Mô hình Markov ẩn (HMM) xác định bởi bộ tham số $\lambda = (A, B, \pi)$.
- Phân tích thành phần chính (PCA) và Hồi quy thành phần chính (PCR).
- Máy vectơ hỗ trợ (SVM), Kernel SVM, Mạng nơron tích chập (CNN) và Mạng nơron hồi quy (RNN) dạng "many-to-one".
Phương pháp thực tế và nguồn dữ liệu
- Phương pháp tiếp cận: Luận án sử dụng phương pháp nghiên cứu kết hợp lý thuyết và thực nghiệm định lượng. Phân tích các đặc trưng chuyển động quay 3D, thiết lập mô hình toán học CGA, tích hợp vào các thuật toán phân cụm, giảm chiều, phân lớp và thực thi huấn luyện trên máy tính để đo đạc độ chính xác nhận dạng và tốc độ tính toán.
- Kỹ thuật tiền xử lý dữ liệu:
- Lựa chọn khớp chuyển động: Xây dựng ma trận khoảng cách giữa các cặp khớp xương theo thời gian, tính phương sai khoảng cách và đối chiếu với ngưỡng để loại bỏ các khớp cố định/ít dịch chuyển.
- Đồng bộ hóa không gian: Dịch chuyển tọa độ các khớp để quy đổi các hành động tịnh tiến (đi bộ, chạy) và hành động tại chỗ (nhảy, múa) về cùng một vị trí trung tâm cố định.
- Nguồn dữ liệu: Bộ dữ liệu chụp chuyển động chuẩn 3D của Đại học Carnegie Mellon (CMU Motion Capture Dataset), chứa chuỗi tọa độ không gian ba chiều của các điểm đánh dấu (marker) khớp xương trên cơ thể người (như khớp cánh tay trái lhumerus).
Nội dung chính theo từng chương
| Chương |
Tên chương trong văn bản |
Trọng tâm nội dung và phát hiện chính |
| Chương 1 |
Phương pháp biểu diễn đối tượng chuyển động trong học máy |
Hệ thống hóa biểu diễn vectơ, ma trận, ten-xơ; phân tích GMM, HMM, PCA, LDA, SVM, CNN, RNN; chỉ rõ giới hạn tuyến tính và đề xuất áp dụng GA/CGA cho chuyển động quay 3D. |
| Chương 2 |
Đề xuất phương pháp biểu diễn đối tượng chuyển động dựa trên đại số hình học bảo giác |
Xây dựng toán tử GA/CGA; đề xuất phân cụm CGA kết hợp GMM/VQ cho HMM; đề xuất CGA thay thế PCA trong PCR; đề xuất trích chọn đặc trưng CGA kết hợp RNN; xây dựng kỹ thuật tiền xử lý ma trận khoảng cách. |
| Chương 3 |
Triển khai thực nghiệm và đánh giá kết quả |
Thiết lập thực nghiệm trên bộ dữ liệu CMU; kiểm chứng 3 mô hình đề xuất (CGA-HMM, CGA-PCR, CGA-RNN); phân tích các bảng số liệu so sánh độ chính xác nhận dạng. |
Chương 1: Phương pháp biểu diễn đối tượng chuyển động trong học máy
Chương 1 trình bày tổng quan các phương pháp biểu diễn dữ liệu trong không gian và học máy, phân tích ưu nhược điểm của từng kỹ thuật khi áp dụng cho đối tượng chuyển động:
- Biểu diễn dữ liệu không gian: Trình bày biểu diễn bằng không gian vectơ ($\mathbb{R}^n$), ma trận ($\mathbb{R}^{m \times n}$ như trong thuật toán P. Viola và CNN) và ten-xơ đa chiều (ten-xơ 2D cho dữ liệu vectơ; ten-xơ 3D cho chuỗi thời gian; ten-xơ 4D dạng $(sample, height, width, channel)$ cho ảnh; ten-xơ cho video dạng $(sample, frames, height, width, channel)$ hoặc tọa độ 3D).
- Các phương pháp học máy:
- Mô hình xác suất: Phân tích GMM với $M$ phân phối Gauss thành phần dựa trên thuật toán EM; phân tích HMM 3 trạng thái với ma trận chuyển trạng thái $A$, xác suất quan sát $B$ và xác suất khởi đầu $\pi$.
- Giảm chiều dữ liệu: Phân tích PCA (cực đại hóa biến thiên dữ liệu qua phép biến đổi trực giao) và LDA (tối đa hóa khoảng cách giữa các lớp và tối thiểu hóa phương sai trong lớp). Tác giả chỉ rõ hạn chế: PCA và LDA chỉ hoạt động hiệu quả với phân bố tuyến tính phẳng, không phù hợp với phân bố phi tuyến phức tạp.
- Tăng chiều dữ liệu: Phân tích SVM, Kernel SVM (ánh xạ dữ liệu qua không gian nhiều chiều để phân tách tuyến tính bằng siêu phẳng lề cực đại), mạng nơron nhân tạo (ANN), mạng CNN (gồm các tầng tích chập trượt kernel, tầng max pool với bước nhảy stride = 2 để giảm số chiều) và mạng RNN (xử lý chuỗi thời gian, chuyển tiếp tham số qua từng bước).
- Biểu diễn đối tượng chuyển động bằng GA/CGA: Khớp xương người khi chuyển động (như khớp lhumerus) có phân bố dạng hình cung hoặc mặt cầu trong không gian 3D. Việc sử dụng ma trận quay truyền thống đòi hỏi 27 tham số, trong khi phép quay trong GA thông qua rotor chỉ yêu cầu 4 tham số. Tác giả kết luận việc sử dụng CGA cho phép tối ưu hàm khoảng cách từ điểm đến mặt phẳng, hình cầu hoặc siêu cầu, giải quyết triệt để hạn chế của các mô hình tuyến tính.
Chương 2: Đề xuất phương pháp biểu diễn đối tượng chuyển động dựa trên đại số hình học bảo giác
Chương 2 là phần đóng góp cốt lõi về mặt lý thuyết và thuật toán của luận án:
- Cơ sở toán học GA và CGA: Định nghĩa chi tiết tích hình học, phép ngoại tích bivector/trivector, phép phản xạ ảnh qua siêu phẳng và phép quay 3D bằng rotor $R = nm$. Xây dựng không gian CGA với hai vectơ cơ sở $e_o, e_\infty$, định nghĩa công thức biểu diễn điểm $X$, mặt cầu $S$ và mặt phẳng $\pi$.
- Đề xuất phương pháp phân cụm dữ liệu sử dụng CGA:
- CGA kết hợp GMM: Khắc phục việc hàm mật độ Gauss chỉ mô tả tốt phân bố hình chuông gom cụm gần tâm bằng cách mở rộng hàm mật độ xác suất trong không gian CGA, hỗ trợ dữ liệu dạng cung cong và siêu cầu.
- Lượng tử hóa vectơ (VQ) dựa trên phân cụm CGA: Thay thế thuật toán k-means (vốn chỉ tối ưu khoảng cách Euclid điểm - điểm trên mặt phẳng) bằng phân cụm CGA tối ưu khoảng cách từ điểm đến vectơ đại diện (có thể là điểm, mặt phẳng hoặc siêu cầu).
- Kết hợp phân cụm CGA với HMM: Đưa các cụm dữ liệu lượng tử hóa từ CGA vào mô hình HMM để huấn luyện và nhận dạng chuỗi hành động.
- Đề xuất phương pháp trích chọn đặc trưng sử dụng CGA:
- CGA thay thế PCA trong PCR: Trong mô hình hồi quy thành phần chính (PCR), tác giả đề xuất dùng CGA để tìm giá trị riêng và vectơ riêng đại diện cho phương sai nhỏ nhất trong từng lớp đối với dữ liệu phân bố hỗn hợp siêu cầu/siêu phẳng.
- CGA kết hợp mạng RNN: Đề xuất quy trình trích chọn đặc trưng bằng CGA, sau đó đưa chuỗi đặc trưng vào mạng RNN kiến trúc "many-to-one" để phân loại hành động.
- Đề xuất kỹ thuật tiền xử lý dữ liệu: Xây dựng thuật toán tính ma trận khoảng cách giữa các marker khớp xương, áp dụng ngưỡng phương sai để lọc bỏ các khớp không dịch chuyển và dịch chuyển gốc tọa độ để đồng bộ hóa các chuỗi hành động tịnh tiến và tại chỗ về cùng một tâm chuyển động.
Chương 3: Triển khai thực nghiệm và đánh giá kết quả
Chương 3 trình bày toàn bộ quy trình thiết lập thực nghiệm, cấu hình tham số và đánh giá định lượng các mô hình đề xuất:
- Dữ liệu thực nghiệm: Trích xuất từ bộ dữ liệu CMU với các chuỗi chuyển động của cơ thể người, tập trung vào tọa độ các khớp xương 3D (như khớp vai, khớp cánh tay lhumerus).
- Nội dung thực nghiệm 1 - Mô hình CGA clustering kết hợp HMM: So sánh hiệu quả nhận dạng của HMM khi sử dụng phân cụm k-means truyền thống và phân cụm đề xuất CGA trong bước lượng tử hóa vectơ (VQ). Kết quả thể hiện trong Bảng 3.2 cho thấy phân cụm CGA giúp tăng tỷ lệ nhận dạng chính xác nhờ biểu diễn đúng phân bố hình học của các khớp quay.
- Nội dung thực nghiệm 2 - Mô hình PCR kết hợp CGA: So sánh phương pháp PCR sử dụng PCA truyền thống với PCR sử dụng CGA. Kết quả trong Bảng 3.4 chứng minh việc tối ưu hóa phương sai trên không gian bảo giác giúp phân tách các lớp dữ liệu hỗn hợp tốt hơn so với phép chiếu tuyến tính của PCA.
- Nội dung thực nghiệm 3 - Mô hình CGA kết hợp RNN: Đánh giá tác động của bước tiền xử lý lọc khớp/đồng bộ tọa độ (Bảng 3.3) và so sánh hiệu quả giữa mô hình PCA kết hợp RNN với CGA kết hợp RNN (Bảng 3.4, Bảng 3.5). Kết quả khẳng định đặc trưng trích chọn từ CGA tương thích cao với mạng RNN, mang lại độ chính xác nhận dạng vượt trội so với các phương pháp đối chứng.
Kết quả và những đóng góp mới
Luận án đã đạt được các kết quả nghiên cứu lý thuyết và thực nghiệm định lượng, được tóm tắt qua bốn đóng góp chính:
- Đề xuất phương pháp phân cụm dữ liệu sử dụng CGA kết hợp HMM: Luận án kết hợp CGA với hàm mật độ Gauss và lượng tử hóa vectơ (VQ). CGA tối ưu hóa khoảng cách từ điểm đến vectơ đại diện (điểm, mặt phẳng hoặc siêu cầu), khắc phục hoàn toàn nhược điểm của k-means và phân phối Gauss chuẩn khi dữ liệu khớp chuyển động phân bố dạng cong hoặc siêu cầu.
- Đề xuất sử dụng CGA thay thế PCA trong mô hình phân lớp PCR: Phương pháp PCR kết hợp CGA giải quyết bài toán tối ưu khoảng cách từ điểm đến vectơ bảo giác để tìm phương sai (giá trị riêng) nhỏ nhất trong từng lớp, nâng cao hiệu quả phân lớp cho dữ liệu phân bố hỗn hợp trong không gian.
- Đề xuất phương pháp giảm chiều và trích chọn đặc trưng bằng CGA kết hợp RNN: Xây dựng giải pháp trích chọn đặc trưng dựa trên tối ưu hàm khoảng cách trong không gian CGA, kết hợp với mạng nơron hồi quy RNN để nhận dạng chính xác các chuỗi hành động của con người theo thời gian.
- Đề xuất phương pháp tiền xử lý dữ liệu chuyển động khớp xương: Xây dựng thuật toán ma trận khoảng cách giữa các cặp khớp để lọc các khớp có dịch chuyển lớn dựa trên ngưỡng phương sai, đồng thời đề xuất giải pháp dịch chuyển tọa độ để đồng bộ hóa các hành động di chuyển tịnh tiến (đi bộ, chạy) và hành động tại chỗ (múa, nhảy) về cùng một gốc tọa độ.
Về mặt ứng dụng thực tiễn, các kết quả nghiên cứu cung cấp cơ sở kỹ thuật phục vụ nhận dạng hành động người (HAR), nhận dạng vật thể quay trong không gian 3D, ứng dụng trong các hệ thống an ninh giám sát, nhà thông minh và y tế thông minh.
Hạn chế và hướng nghiên cứu tiếp
Dựa trên các nội dung được văn bản đề cập, luận án ghi nhận một số phạm vi giới hạn và định hướng phát triển:
- Hạn chế:
- Thực nghiệm của luận án tập trung chủ yếu trên bộ dữ liệu chụp chuyển động (mocap) 3D của Đại học Carnegie Mellon (CMU), chưa mở rộng kiểm chứng trên nhiều nguồn dữ liệu cảm biến đa dạng khác trong môi trường thực tế không kiểm soát.
- Các mô hình học máy kết hợp được khảo sát giới hạn trong ba cấu trúc chính là HMM, PCR và RNN.
- Hướng nghiên cứu tiếp theo:
- Tiếp tục nghiên cứu mở rộng tích hợp đại số hình học bảo giác (CGA) với các cấu trúc học sâu khác (như LSTM, mạng biến đổi Transformer hoặc CNN đồ thị).
- Nghiên cứu tối ưu hóa tốc độ tính toán của các toán tử CGA để đáp ứng yêu cầu nhận dạng thời gian thực trên các thiết bị nhúng và hệ thống giám sát thực tế.
- Mở rộng ứng dụng biểu diễn CGA sang các bài toán phân tích cử chỉ phức tạp, tương tác người - máy và nhận dạng hành vi đa đối tượng trong không gian 3D.
Giá trị tham khảo
Luận án mang lại giá trị tham khảo khoa học và ứng dụng thực tiễn cho nhiều đối tượng:
| Nhóm đối tượng |
Nội dung tham khảo giá trị |
| Nghiên cứu sinh, Học viên cao học ngành Khoa học máy tính & Toán tin |
- Cơ sở lý thuyết đại số hình học (GA) và đại số hình học bảo giác (CGA).
- Phương pháp ánh xạ điểm, mặt phẳng, mặt cầu và biến đổi rotor trong không gian bảo giác.
- Kỹ thuật kết hợp công cụ đại số hình học vào các thuật toán học máy. |
| Giảng viên, Nhà nghiên cứu Thị giác máy tính & Xử lý ảnh |
- Phương pháp phân cụm CGA-GMM và CGA-VQ.
- Kỹ thuật trích chọn đặc trưng CGA thay thế PCA trong phân lớp PCR.
- Kiến trúc kết hợp CGA với mạng nơron hồi quy (RNN) để xử lý dữ liệu chuỗi 3D. |
| Kỹ sư phát triển hệ thống IoT, An ninh & Y tế thông minh |
- Thuật toán tiền xử lý ma trận khoảng cách để lọc khớp xương quan trọng.
- Kỹ thuật chuẩn hóa và đồng bộ không gian chuyển động tịnh tiến và tại chỗ.
- Giải pháp nâng cao độ chính xác nhận dạng hành động người (HAR). |
Câu hỏi thường gặp
1. Đại số hình học bảo giác (CGA) mở rộng không gian Euclid bằng cách nào và mang lại lợi thế gì?
CGA mở rộng không gian thực $\mathbb{R}^n$ thành $\mathbb{R}^{n+1, 1}$ bằng cách thêm hai vectơ cơ sở thực $e$ ($e^2=1$) và ảo $\bar{e}$ ($\bar{e}^2=-1$), tương đương hai cơ sở gốc tọa độ $e_o$ và vô cực $e_\infty$. Lợi thế của CGA là biểu diễn một điểm, đường thẳng, mặt phẳng và mặt cầu dưới dạng một vectơ bảo giác thống nhất, cho phép tính toán khoảng cách và phép quay phức tạp trong không gian nhiều chiều một cách chính xác.
2. Tại sao phép quay 3D trong Đại số hình học (GA) lại tối ưu hơn so với ma trận quay truyền thống?
Trong GA, phép quay quanh một trục bất kỳ được thực hiện bằng cách phản xạ qua hai mặt phẳng thông qua một rotor $R = nm$. Trong không gian 3D, rotor chỉ cần 4 tham số ($a_0, a_1, a_2, a_3$), trong khi ma trận quay truyền thống đòi hỏi tới 27 tham số. Do đó, GA giúp tiết kiệm bộ nhớ và giảm đáng kể khối lượng tính toán.
3. Phương pháp phân cụm CGA của luận án khác biệt như thế nào so với k-means truyền thống?
Thuật toán k-means truyền thống phân cụm dựa trên việc tối thiểu hóa khoảng cách Euclid từ điểm đến điểm trên mặt phẳng phẳng. Phân cụm CGA của luận án tối ưu hóa khoảng cách từ một điểm đến một vectơ đại diện trong không gian bảo giác, vectơ này có thể là một điểm, mặt phẳng hoặc siêu cầu, do đó biểu diễn chính xác các tập dữ liệu có phân bố dạng hình cung hoặc mặt cầu.
4. Kỹ thuật tiền xử lý dữ liệu khớp xương của luận án hoạt động như thế nào?
Kỹ thuật tiền xử lý gồm hai bước: (1) Xây dựng ma trận khoảng cách giữa các cặp khớp theo chuỗi thời gian, tính phương sai khoảng cách và so sánh với ngưỡng để chỉ giữ lại các khớp có mức dịch chuyển lớn; (2) Dịch chuyển gốc tọa độ các khớp để đồng bộ hóa các hành động di chuyển tịnh tiến (đi, chạy) và hành động tại chỗ (nhảy, múa) về cùng một vị trí trung tâm.
5. Luận án sử dụng bộ dữ liệu thực nghiệm nào để đánh giá các mô hình đề xuất?
Luận án sử dụng bộ dữ liệu chụp chuyển động (Motion Capture) của Trường Đại học Carnegie Mellon (CMU, Hoa Kỳ), bao gồm chuỗi tọa độ 3D của các điểm đánh dấu khớp xương trên cơ thể người thực hiện nhiều hành động khác nhau.
Kết luận
Luận án tiến sĩ của tác giả Nguyễn Năng Hùng Vân đã nghiên cứu và ứng dụng thành công đại số hình học bảo giác (CGA) vào lĩnh vực học máy phục vụ biểu diễn và nhận dạng đối tượng chuyển động trong không gian 3D. Bằng việc đề xuất các mô hình phân cụm CGA-HMM, phân lớp CGA-PCR, trích chọn đặc trưng CGA-RNN cùng kỹ thuật tiền xử lý ma trận khoảng cách khớp xương, luận án đã giải quyết hiệu quả các hạn chế của các phương pháp tuyến tính truyền thống đối với dữ liệu chuyển động quay phân bố phức tạp dạng mặt cầu. Các kết quả thực nghiệm định lượng trên bộ dữ liệu CMU đã kiểm chứng tính đúng đắn và hiệu quả của các giải pháp đề xuất, mở ra hướng nghiên cứu kết hợp hình học bảo giác với trí tuệ nhân tạo trong xử lý dữ liệu không gian.
