I. Tổng Quan Về Nghiên Cứu Phân Loại Độ Tuổi Bằng Hình Ảnh
Phân tích và trích xuất thông tin từ ảnh khuôn mặt đã được nghiên cứu từ những năm 90. Thông tin hữu ích như danh tính, giới tính, độ tuổi, cảm xúc, dân tộc, tình trạng sức khỏe có thể được khai thác. Trong đó, độ tuổi là một thuộc tính quan trọng với nhiều ứng dụng thực tế như tương tác người máy, quảng cáo có định hướng, và thống kê dân số. Khuôn mặt mang nhiều thông tin quan trọng, việc xác định tuổi tác và giới tính là hết sức quan trọng trong giao tiếp. Bài toán ước lượng tuổi đã được quan tâm trong 20 năm gần đây, với nhiều kỹ thuật khác nhau như AGES, GMM, HMM, SVM. Từ khi các mô hình học sâu được áp dụng, kết quả về hiệu suất và tốc độ đã được cải thiện đáng kể. Độ chính xác của mô hình khi ước lượng tuổi đạt 62,8% và đối với giới tính đạt 92,6% [1].
1.1. Ứng Dụng Thực Tế Của Phân Loại Độ Tuổi Khuôn Mặt
Việc xác định độ tuổi từ hình ảnh khuôn mặt có nhiều ứng dụng thực tế. Nó có thể được sử dụng trong các hệ thống kiểm soát truy cập, tương tác giữa người và máy tính, thực thi pháp luật, và trí thông minh tiếp thị. Các doanh nghiệp có thể sử dụng nó để theo dõi hành vi của khách hàng theo độ tuổi, từ đó đưa ra các chiến lược phù hợp. Việc ước tính độ tuổi từ hình ảnh khuôn mặt là một nhiệm vụ quan trọng trong các ứng dụng thông minh.
1.2. Các Phương Pháp Ước Tính Tuổi Từ Hình Ảnh Khuôn Mặt
Nhiệm vụ của bài toán này là đưa ra ước lượng tuổi của một người từ bức ảnh chụp khuôn mặt của họ. Kwon và Lobo sử dụng phương pháp phát hiện và tính toán tỷ lệ của các nếp nhăn trên khuôn mặt để dự đoán độ tuổi. Geng và cộng sự sử dụng AGES cho hiệu quả cao hơn, nhưng thuật toán này cần một lượng lớn hình ảnh khuôn mặt của từng người và đặc biệt hình ảnh đầu vào này cần phải ở chính giữa, mặt hướng thẳng và được căn chỉnh đúng kích thước. Các thuật toán thống kê như GMM và HMM cũng đã được sử dụng.
II. Thách Thức Trong Phân Loại Độ Tuổi Bằng Hình Ảnh Khuôn Mặt
Nhận biết khuôn mặt là việc dễ dàng với con người, nhưng phức tạp với máy tính. Các thách thức bao gồm chất lượng và sự đa dạng của dữ liệu. Dữ liệu hình ảnh khuôn mặt người có thể bao gồm nhiều loại hình ảnh khác nhau phụ thuộc vào nhiều điều kiện như nguồn dữ liệu, phương pháp thu thập dữ liệu, công cụ sử dụng trong việc thu thập. Chất lượng của bộ dữ liệu có thể không cao, dữ liệu bị thiếu sót hoặc không đồng đều. Ảnh có thể bị nhiễu, mờ, thiếu ánh sáng hoặc ánh sang quá mức, đối tượng trong hình ảnh bị che hoặc không chụp đúng góc nhìn. Những vấn đề này đều ảnh hưởng đến chất lượng và khả năng phân lớp của mô hình.
2.1. Ảnh Hưởng Của Chất Lượng Dữ Liệu Đến Độ Chính Xác
Chất lượng dữ liệu ảnh hưởng lớn đến độ chính xác của mô hình. Các vấn đề như góc nhìn đa dạng, biến đổi về tỷ lệ, biến dạng, và điều kiện chiếu sáng có thể gây khó khăn cho việc nhận dạng. Dữ liệu mất cân bằng (Imbalanced Data) cũng là một vấn đề cần giải quyết. Bộ dữ liệu mất cân bằng là tập dữ liệu có tỷ lệ của số mẫu của từng nhãn phân loại không bằng nhau.
2.2. Yêu Cầu Về Hiệu Năng Máy Tính Khi Huấn Luyện Mô Hình
Để đạt được độ chính xác cao, các mô hình thường được xây dựng phức tạp với số lượng tham số lớn (từ 10 triệu đến hơn 100 triệu tham số). Điều này gây khó khăn trong vấn đề nhận dạng trong thời gian thực và dẫn đến vấn đề hiệu năng máy tính và chi phí tính toán của máy tính (Computational cost) khi xây dựng và áp dụng mô hình.
III. Phương Pháp Học Máy Truyền Thống Trong Phân Loại Tuổi
Phương pháp giải quyết bài toán này có thể được phân làm hai loại phương pháp học, là Phương pháp học máy truyền thống và Phương pháp học sâu. Machine Learning là một lĩnh vực nhỏ của Khoa Học Máy Tính, nó có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể. Machine learning theo định nghĩa cơ bản là ứng dụng các thuật toán để phân tích cú pháp dữ liệu, học hỏi từ nó, và sau đó thực hiện một quyết định hoặc dự đoán về các vấn đề có liên quan. Trong mô hình học máy truyền thống bước trích xuất đặc trưng của dữ liệu ảnh hưởng lớn đến độ chính xác của mô hình phân lớp.
3.1. Ưu Điểm Của Học Máy Truyền Thống Trong Xử Lý Ảnh
Trong mô hình học máy truyền thống bước trích xuất đặc trưng của dữ liệu ảnh hưởng lớn đến độ chính xác của mô hình phân lớp, để trích xuất được đặc trưng tốt chúng ta cần phải phân tích dữ liệu khá chi tiết và cần cả những kiến thức chuyên gia trong từng miền ứng dụng cụ thể.
3.2. Các Thuật Toán Học Máy Phổ Biến Trong Phân Loại
Machine learning bắt nguồn từ các định nghĩa về AI ban đầu, và các phương pháp tiếp cận thuật toán qua nhiều năm bao gồm: logic programming, clustering, reinforcement learning, and Bayesian networks. Như chúng ta đã biết, không ai đạt được mục tiêu cuối cùng của General AI, và thậm chí cả Narrow AI hầu hết là ngoài tầm với những phương pháp tiếp cận Machine learning sơ khai.
IV. Ứng Dụng Mạng Nơ Ron Tích Chập CNN Trong Phân Loại Tuổi
Học sâu (Deep Learning) hay viết tắt DL là một thuật toán dựa trên một số ý tưởng từ não bộ tới việc tiếp thu nhiều tầng biểu đạt, cả cụ thể lẫn trừu tượng, qua đó làm rõ nghĩa của các loại dữ liệu. DL được ứng dụng trong nhận diện hình ảnh, nhận diện giọng nói, xử lý ngôn ngữ tự nhiên. Hiện nay rất nhiều các bài toán nhận dạng sử dụng DL để giải quyết do DL có thể giải quyết các bài toán với số lượng lớn, kích thước đầu vào lớn với hiệu năng cũng như độ chính xác vượt trội so với các phương pháp phân lớp truyền thống.
4.1. Ưu Điểm Của Học Sâu So Với Học Máy Truyền Thống
Những năm gần đây, khi mà khả năng tính toán của các máy tính được nâng lên một tầm cao mới và lượng dữ liệu khổng lồ được thu thập bởi các hãng công nghệ lớn, Machine Learning đã tiến thêm một bước dài và một lĩnh vực mới được ra đời gọi là DL (Học Sâu). DL đã giúp máy tính thực thi những việc tưởng chừng như không thể vào 10 năm trước: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn hay âm nhạc [17].
4.2. Mạng CNN Giải Pháp Hiệu Quả Cho Bài Toán Phân Loại
Hiện nay các mô hình học sâu (Deep Learning) tiêu biểu như mô hình mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) được ứng dụng thành công trong bài toán phân lớp ảnh, văn bản, nhận dạng tiếng nói. Ư...
V. Xây Dựng Mô Hình CNN Phân Loại Độ Tuổi Các Bước Thực Hiện
Luận văn này đề xuất xây dựng mô hình kiến trúc mạng nơ-ron tích chập để phân lớp dữ liệu hình ảnh mặt người để dự đoán ra độ tuổi của người đó. Nội dung của Luận văn được xây dựng thành 3 chương: Tổng quan về bài toán, phân loại độ tuổi bằng mạng CNN, và cài đặt thử nghiệm.
5.1. Tiền Xử Lý Dữ Liệu Cho Mô Hình Phân Loại Tuổi
Chương 2 sẽ giới thiệu về mạng nơ ron tích chập và kiến trúc của mạng này trong phương pháp học sâu. Chương này cũng trình bày về các kỹ thuật tiền xử lý dữ liệu đầu vào và việc xây dựng mô hình huấn luyện cho bài toán.
5.2. Đánh Giá Hiệu Quả Mô Hình CNN Trong Phân Loại Tuổi
Chương 3 giới thiệu về bộ dữ liệu được sử dụng trong bài toán, môi trường thực hiện và áp dụng mô hình tốt nhất được xây dựng ở chương 2 vào bộ dữ liệu và đánh giá kết quả phân loại độ tuổi.
