Nghiên Cứu Phân Loại Độ Tuổi Người Bằng Hình Ảnh Sử Dụng Mạng Nơ Ron Tích Chập

Nghiên cứu ứng dụng mạng nơ ron tích chập trong phân loại độ tuổi người qua hình ảnh, mở ra hướng đi mới trong công nghệ nhận diện.

• Tác giả: Soulinsomphou Oupala
• Người hướng dẫn: TS. Nguyễn Đình Hóa
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu phân loại độ tuổi của người bằng hình ảnh sử dụng mạng nơ ron tích chập
• Loại tài liệu: luận văn thạc sĩ kỹ thuật
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH
• 1.1. Giới thiệu bài toán phân loại độ tuổi người qua hình ảnh
• 1.2. Các nghiên cứu liên quan
• 1.3. Khó khăn và thách thức
• 1.4. Hướng tiếp cận và giải quyết bài toán
• 1.4.1. Phương pháp học máy truyền thống
• 1.4.2. Phương pháp học sâu
• 1.5. Kết chương
• 2. CHƯƠNG 2: PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP
• 2.1. Giới thiệu về mạng nơ ron tích chập
• 2.2. Cấu trúc mạng nơ ron tích chập cùng một số mô hình mạng thông dụng trên thực tế
• 2.3. Lớp kết nối đầy đủ (Fully connected layer)
• 2.4. Hàm Kích hoạt (Activation Function)
• 2.5. Một số mô hình mạng thông dụng trên thực tế
• 2.6. Ứng dụng mạng nơ ron tích chập trong các bài toán thực tế về xử lý và phân loại ảnh
• 2.7. Xây dựng tập dữ liệu cho bài toán
• 2.7.1. Giới thệu về bộ dữ liệu sử dụng trong bài toán
• 2.7.2. Tiền xử lý và chuẩn bị dữ liệu
• 2.8. Xây dựng mô hình mạng nơ ron tích chập để giải quyết bài toán phân loại độ tuổi của người bằng hình ảnh
• 2.8.1. Cấu trúc mô hình
• 2.8.2. Các hàm và kỹ thuật sử dụng
• 2.8.3. Định nghĩa mô hình
• 2.8.4. Chuẩn bị dữ liệu
• 2.8.5. Huấn luyện mô hình
• 2.9. Kết chương
• 3. CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM
• 3.1. Cài đặt môi trường thực hiện huấn luyện và thử nghiệm mạng nơ ron tích chập áp dụng trên bộ dữ liệu thực tế
• 3.2. Phương pháp đánh giá
• 3.3. Đánh giá kết quả
• 3.4. Kết chương
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

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.

Nội dung chính

Tổng quan nghiên cứu

Thị giác máy tính và phân tích sinh trắc học khuôn mặt đang trở thành trụ cột quan trọng trong kỷ nguyên trí tuệ nhân tạo, với hơn 70% các hệ thống tương tác thông minh hiện đại tích hợp khả năng nhận diện đặc trưng con người. Trong các thuộc tính sinh trắc học, độ tuổi đóng vai trò then chốt trong việc cá nhân hóa dịch vụ, kiểm soát an ninh và phân tích hành vi người dùng. Tuy nhiên, bài toán ước tính độ tuổi từ ảnh mặt người trong điều kiện môi trường thực tế luôn đối mặt với nhiều thách thức lớn do sự biến thiên về góc chụp, điều kiện ánh sáng, biểu cảm cảm xúc và sự che khuất. Các mô hình học máy truyền thống thường gặp hạn chế về độ chính xác khi chỉ đạt mức trung bình khoảng 62,8% do phụ thuộc nặng nề vào việc trích xuất đặc trưng thủ công.

Nghiên cứu của học viên Soulinsomphou Oupala tại Học viện Công nghệ Bưu chính Viễn thông năm 2020 tập trung giải quyết triệt để vấn đề này thông qua việc ứng dụng mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Mục tiêu cụ thể của luận văn là thiết kế, tối ưu hóa và thực nghiệm một kiến trúc mạng học sâu có khả năng tự động phân loại chính xác 3 nhóm độ tuổi: Trẻ tuổi (Young: 13 đến 30 tuổi), Trung niên (Middle: 31 đến 50 tuổi) và Cao tuổi (Old: trên 50 tuổi). Phạm vi nghiên cứu được triển khai trên tập dữ liệu ảnh khuôn mặt thực tế IMFDB quy mô 26.742 mẫu, mô phỏng đầy đủ các biến dạng quang học phức tạp. Kết quả của luận văn mang lại giá trị thực tiễn cao, cung cấp giải pháp cân bằng giữa độ chính xác phân lớp và chi phí tính toán, cho phép triển khai trên các hệ thống giám sát thương mại và thiết bị biên.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học sâu và thị giác máy tính hiện đại, tập trung vào mô hình mạng nơ-ron tích chập kết hợp cơ chế trích xuất đặc trưng đa tầng. Khung lý thuyết cốt lõi bao gồm các thành phần:

1. Cơ chế tích chập và bản đồ đặc trưng (Feature Maps): Phép toán tích chập sử dụng cửa sổ trượt (sliding window) với các bộ lọc kích thước 3x3 quét qua ma trận điểm ảnh để tự động trích xuất các đặc trưng phân cấp, từ biên cạnh hình học ở các lớp đầu tiên đến các cấu trúc phức tạp như mắt, mũi, nếp nhăn ở các lớp sâu hơn.
2. Tầng lấy mẫu cực đại (Max Pooling): Lớp giảm chiều dữ liệu sử dụng kích thước cửa sổ 2x2 nhằm tinh giản thông tin, giảm bớt số lượng tham số tính toán và hỗ trợ kiểm soát hiện tượng quá khớp (overfitting).
3. Hàm kích hoạt phi tuyến tính: Ứng dụng hàm ReLU (Rectified Linear Unit) tại các lớp ẩn để giải quyết triệt để hiện tượng suy giảm đạo hàm (vanishing gradient) và đẩy nhanh tốc độ hội tụ gấp khoảng 6 lần so với các hàm kích hoạt cổ điển như Sigmoid hay Tanh. Tại tầng ngõ ra, hàm Softmax được sử dụng để chuyển đổi các giá trị kích hoạt thành phân phối xác suất cho 3 phân lớp độ tuổi.
4. Mô hình tham chiếu: Nghiên cứu kế thừa và cải tiến nguyên lý thiết kế từ mạng LeNet kinh điển, kết hợp với các kỹ thuật chính quy hóa hiện đại từ các kiến trúc lớn như AlexNet (60 triệu tham số) và VGGNet (16 đến 19 tầng).

Phương pháp nghiên cứu

Quy trình nghiên cứu thực nghiệm được thực hiện bài bản qua các giai đoạn thu thập, xử lý dữ liệu và huấn luyện mô hình:

• Nguồn dữ liệu thực nghiệm: Sử dụng bộ cơ sở dữ liệu khuôn mặt diễn viên Ấn Độ (IMFDB) gồm tổng cộng 26.742 hình ảnh khuôn mặt được cắt xén từ hơn 100 video phim của 100 diễn viên, phản ánh chân thực các yếu tố nhiễu thực tế.
• Tiền xử lý và chuẩn hóa dữ liệu: Loại bỏ các thuộc tính không liên quan như biểu cảm, tư thế, trang điểm và giới tính; lọc bỏ các ảnh bị lỗi chiếu sáng nghiêm trọng hoặc kích thước quá nhỏ dưới ngưỡng 13x22 pixel; đưa toàn bộ dữ liệu ảnh về kích thước chuẩn hóa đồng nhất 128x128 pixel nhằm bảo toàn chi tiết khuôn mặt mà không gây quá tải bộ nhớ.
• Phân chia tập dữ liệu: Tổng số 26.742 bản ghi được phân bổ thành 2 phần độc lập: Tập huấn luyện chiếm 75% tương ứng 19.906 bản ghi và Tập kiểm chứng độc lập chiếm 25% tương ứng 6.636 bản ghi. Trong tập huấn luyện 19.906 bản ghi, dữ liệu tiếp tục được chia tách thành 85% cho quá trình đào tạo trực tiếp (16.920 bản ghi) và 15% cho quá trình kiểm định đánh giá (2.986 bản ghi).
• Thuật toán tối ưu hóa: Sử dụng bộ tối ưu Adam (Adaptive Moment Estimation) kết hợp ưu điểm của RMSprop và SGD, kết hợp hàm mất mát Cross Entropy và kỹ thuật Dropout để tối ưu hóa không gian trọng số.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và đánh giá mô hình mạng nơ-ron tích chập trên tập kiểm chứng gồm 6.636 mẫu đã mang lại nhiều kết quả nổi bật:

• Tối ưu hóa kiến trúc đa tầng: Mô hình được cấu hình tuần tự với 3 lớp tích chập lần lượt chứa 25, 50 và 75 bộ lọc kích thước 3x3, xen kẽ bởi các tầng Max Pooling 2x2, kết nối với 3 tầng liên kết đầy đủ (Dense) gồm 2 tầng 32 neuron và tầng đầu ra 3 neuron. Cấu hình này giúp mạng duy trì số lượng tham số tinh gọn dưới 5 triệu tham số, giảm chi phí tính toán hơn 90% so với các mạng nơ-ron sâu tổng quát (thường dao động từ 60 triệu đến hơn 100 triệu tham số).
• Khả năng phân loại vượt trội: Mô hình đạt tốc độ hội tụ nhanh trong quá trình huấn luyện mà không xảy ra hiện tượng quá khớp nhờ kỹ thuật Dropout và chuẩn hóa đầu vào. Độ chính xác nhận dạng độ tuổi của mạng CNN vượt trội hơn hẳn so với mức 62,8% của các phương pháp học máy truyền thống sử dụng trích xuất đặc trưng thủ công.
• Sự phân hóa hiệu năng giữa các nhóm tuổi: Kết quả phân tích qua ma trận nhầm lẫn (confusion matrix) trên tập kiểm thử cho thấy nhóm tuổi Trẻ (Young: 13-30 tuổi) và Trung niên (Middle: 31-50 tuổi) đạt độ chính xác phân loại cao và đồng đều nhờ các đường nét khuôn mặt có tính phân biệt rõ rệt. Nhóm tuổi Cao tuổi (Old: trên 50 tuổi) ghi nhận tỷ lệ nhầm lẫn nhỏ sang nhóm trung niên do ảnh hưởng từ các yếu tố trang điểm và độ phân giải gốc của video cổ điển.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình bắt nguồn từ việc kết hợp đồng bộ giữa kỹ thuật tiền xử lý ảnh và thuật toán tối ưu Adam. Việc đưa ảnh về chuẩn 128x128 pixel giúp các bộ lọc tích chập bao quát trọn vẹn cả đặc trưng cục bộ (nếp nhăn khóe mắt, khóe miệng) lẫn đặc trưng toàn cục (tỷ lệ khung xương mặt). Khi so sánh với các hệ thống thương mại như Face API của Microsoft (vốn dễ sai lệch khi ảnh thiếu sáng hoặc nghiêng góc), mô hình CNN trong nghiên cứu này duy trì tính ổn định cao hơn trên tập dữ liệu IMFDB có góc nhìn và biểu cảm đa dạng.

Dữ liệu phân loại chi tiết có thể được biểu diễn trực quan qua bảng tổng hợp ma trận nhầm lẫn và biểu đồ phân phối xác suất ngõ ra từ hàm Softmax. Kết quả thực nghiệm khẳng định rằng việc loại bỏ các thuộc tính gây nhiễu và sử dụng cấu trúc mạng 3 tầng tích chập thích ứng là hướng tiếp cận tối ưu cho các bài toán phân loại hình ảnh sinh trắc học có tài nguyên phần cứng giới hạn.

Đề xuất và khuyến nghị

Dựa trên các kết luận thực nghiệm, nghiên cứu đưa ra 4 giải pháp trọng tâm nhằm hoàn thiện và ứng dụng mô hình vào thực tế:

1. Nén và lượng hóa mô hình (Model Quantization): Thực hiện tối ưu hóa cấu trúc mạng thông qua kỹ thuật cắt tỉa trọng số (pruning) và chuyển đổi định dạng sang ONNX hoặc TensorRT, hướng tới mục tiêu giảm 40% dung lượng bộ nhớ và đạt tốc độ suy luận dưới 20 mili-giây mỗi khung hình, do nhóm kỹ sư hệ thống nhúng triển khai trong 3 tháng tới.
2. Mở rộng tập dữ liệu đa chủng tộc: Bổ sung thêm tối thiểu 50.000 hình ảnh khuôn mặt người châu Á với điều kiện ánh sáng tự nhiên, nhằm khắc phục sự thiên lệch dữ liệu và nâng cao độ bao phủ nhân khẩu học, hoàn thành trong vòng 6 tháng bởi đơn vị thu thập dữ liệu.
3. Phát triển kiến trúc học đa nhiệm (Multi-task Learning): Tích hợp đồng thời bài toán phân loại độ tuổi, nhận diện giới tính và phân tích cảm xúc trên cùng một mô hình mạng trục chính (backbone), đặt mục tiêu nâng độ chính xác tổng thể đạt trên 85% trong lộ trình 9 tháng của nhóm nghiên cứu thuật toán.
4. Triển khai thử nghiệm trong hệ thống giám sát thương mại: Đưa mô hình vào vận hành thử nghiệm tại 5 điểm bán lẻ tự động để phân tích nhân khẩu học khách hàng theo 3 nhóm tuổi, phục vụ hoạt động tiếp thị hướng đối tượng trong vòng 1 năm tới dưới sự chủ trì của các doanh nghiệp đối tác.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cho 4 nhóm đối tượng chính:

1. Học viên cao học và sinh viên ngành Khoa học máy tính, Công nghệ thông tin: Tài liệu cung cấp hướng dẫn chi tiết về quy trình xây dựng mạng CNN, từ khâu lọc dữ liệu bảng, chuẩn hóa mảng ảnh đến thiết kế các tầng tích chập và tối ưu hàm mất mát.
2. Kỹ sư thị giác máy tính và trí tuệ nhân tạo: Tham khảo kiến trúc mạng tinh gọn 3 lớp tích chập để triển khai các mô hình phân loại ảnh mặt người trên thiết bị biên (Edge AI) và camera AI có năng lực tính toán hạn chế.
3. Chuyên gia phân tích dữ liệu và tiếp thị số: Ứng dụng giải pháp phân loại độ tuổi tự động để xây dựng hệ thống đo lường hành vi khách hàng, tối ưu hóa nội dung quảng cáo hiển thị theo nhóm tuổi từ 13 đến trên 50.
4. Cán bộ nghiên cứu và giảng viên chuyên ngành xử lý ảnh: Sử dụng kết quả thực nghiệm và dữ liệu phân chia của tập IMFDB làm tài liệu tham khảo cho các đề tài nghiên cứu liên quan đến sinh trắc học khuôn mặt.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại lựa chọn bộ dữ liệu IMFDB thay vì các tập dữ liệu khuôn mặt khác? Tập dữ liệu IMFDB gồm 26.742 hình ảnh cắt từ hơn 100 video của 100 diễn viên, mang tính chất môi trường mở với đầy đủ sự biến thiên về góc nhìn, độ sáng, tư thế và biểu cảm, giúp kiểm thử độ bền vững của mô hình thực tế tốt hơn các tập dữ liệu chụp trong phòng thí nghiệm.

2. Việc chuẩn hóa ảnh về kích thước 128x128 pixel mang lại lợi ích gì cho quá trình huấn luyện? Ảnh gốc trong tập dữ liệu biến thiên từ 13x22 đến 543x616 pixel. Chuẩn hóa về 128x128 pixel là kích thước tối ưu giúp giữ lại đầy đủ các chi tiết nhận dạng khuôn mặt mà không làm bùng nổ số lượng tham số tính toán, giúp mô hình huấn luyện ổn định trên 19.906 mẫu đào tạo.

3. Cấu trúc mạng nơ-ron tích chập trong luận văn gồm những tầng cụ thể nào? Mạng gồm 3 lớp tích chập với số bộ lọc tăng dần là 25, 50 và 75 (kernel 3x3), kết hợp các lớp Max Pooling 2x2 và hàm kích hoạt ReLU, nối tiếp bởi 3 lớp kết nối đầy đủ (gồm 2 lớp 32 neuron và 1 lớp ngõ ra 3 neuron kết hợp hàm Softmax).

4. Kỹ thuật nào được áp dụng để hạn chế hiện tượng quá khớp (Overfitting)? Luận văn áp dụng kỹ thuật Dropout ngắt kết nối ngẫu nhiên các nơ-ron trong quá trình huấn luyện, kết hợp chuẩn hóa mảng dữ liệu ảnh và phân chia tập kiểm chứng độc lập chiếm 25% (6.636 bản ghi) để đánh giá khách quan năng lực tổng quát hóa.

5. Độ tuổi được phân loại thành những nhãn cụ thể nào trong mô hình? Hệ thống phân loại khuôn mặt thành 3 nhóm tuổi rõ ràng: Nhóm trẻ tuổi (Young) từ 13 đến 30 tuổi, nhóm trung niên (Middle) từ 31 đến 50 tuổi, và nhóm người cao tuổi (Old) dành cho đối tượng trên 50 tuổi.

Kết luận

• Xây dựng thành công kiến trúc mạng nơ-ron tích chập 3 lớp tinh gọn, giải quyết hiệu quả bài toán phân loại độ tuổi từ ảnh mặt người.
• Chuẩn hóa và làm sạch toàn diện bộ dữ liệu IMFDB với 26.742 hình ảnh khuôn mặt trong điều kiện môi trường thực tế phức tạp.
• Tối ưu hóa mô hình đạt tốc độ hội tụ cao nhờ kết hợp hàm kích hoạt ReLU, thuật toán Adam và kỹ thuật Dropout kiểm soát quá khớp.
• Đạt độ chính xác phân loại vượt trội trên tập kiểm chứng 6.636 mẫu, khắc phục hạn chế của các phương pháp trích xuất đặc trưng thủ công truyền thống.
• Cung cấp giải pháp khả thi với chi phí tính toán thấp, sẵn sàng tích hợp vào các hệ thống camera giám sát và phân tích hành vi người dùng.

Kế hoạch phát triển tiếp theo tập trung vào việc mở rộng tập dữ liệu đa dạng chủng tộc và tối ưu hóa thời gian thực trong 6 đến 12 tháng tới. Độc giả và các nhà phát triển quan tâm có thể tham khảo toàn văn luận văn thạc sĩ kỹ thuật của tác giả Soulinsomphou Oupala tại Học viện Công nghệ Bưu chính Viễn thông để áp dụng mô hình vào các dự án thị giác máy tính thực tế.

Trích đoạn nội dung tài liệu

chương I, luận văn đã trình bày tổng quan về bài toán phân loại độ tuổi qua ảnh mặt người, những ứng dụng của bài toán trong thực tế và hướng tiếp cận giải quyết bài toán dựa trên phương pháp học sâu sử dụng mạng nơ ron tích chập CNN. 10 CHƯƠNG 2: PHÂN LOẠI ĐỘ TUỔI CỦA NGƯỜI BẰNG HÌNH ẢNH SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP 2. Giới thiệu về mạng nơ ron tích chập CNN là một trong những mô hình DL tiên tiến giúp cho chúng ta xây dựng được những hệ thống thông minh với độ chính xác cao như hiện nay. CNN được lấy cảm hứng từ vỏ não thị giác của con người, mỗi khi chúng ta nhìn thấy một vật nào đó, một loại các lớp tế bào thần kinh được kích hoạt, và mỗi lớp sẽ phát hiện ra một đặc trưng của đồ vật đó (hình dạng, kích thước, màu sắc,…).

Lớp thần kinh mà nhận dạng được càng nhiều đặc điểm của đồ vật thì việc nhận dạng hoặc phân loại đồ vật đó đối với con người sẽ trở nên dễ dàng hơn [10]. Ý tưởng đằng sau của mạng nơ ron tích chập là nó thực hiện quá trình trích lọc hình ảnh trước khi đưa vào quá trình huấn luyện, sau quá trình trích lọc thì chúng ta sẽ nhận được các đặc trưng trong hình ảnh đó, và từ các đặc trưng đó chúng ta có thể phát hiện ra những gì mình muốn trong hình ảnh đó. So với các thuật toán phân loại hình ảnh khác, mạng nơ ron tích chập sử dụng quá trình tiền xử lý tối thiểu, nghĩa là mạng học các bộ lọc thường được thiết kế bằng tay trong các hệ thống khác. Bởi vì CNN hoạt động với sự độc lập như vậy khỏi nỗ lực của con người, chúng mang lại nhiều lợi thế hơn các thuật toán khác.

Mục đích của CNN là giảm hình ảnh thành một hình thức dễ xử lý hơn và không mất đi các chi tiết hoặc tính năng quan trọng để hỗ trợ trong việc đưa ra các dự đoán. Điều này rất quan trọng khi chúng ta thiết kế mô hình không chỉ giỏi về các tính năng học tập mà còn xử lý được bộ dữ liệu lớn. Trước khi tìm hiểu về kiến trúc, mô hình của mạng nơ ron tích chập CNN em sẽ trình bày những khái niệm thường được sử dụng khi làm việc với mạng nơ ron CNN. Nhờ vào nguyên lý biến đổi thông tin, các nhà khoa học đã áp dụng kĩ thuật này vào xử lý ảnh và video số.

Để dễ hình dung, ta có thể xem tích chập nhƣ một cửa sổ trượt (sliding window) áp đặt lên một ma trận. Bạn có thể theo dõi cơ chế của tích chập qua hình minh họa bên dưới.1 Minh học phép toán tích chập [10] Ma trận bên trái là một bức ảnh đen trắng. Mỗi giá trị của ma trận tương đương với một điểm ảnh (pixel), 0 là màu đen, 1 là màu trắng (nếu là ảnh grayscale thì giá trị biến thiên từ 0 đến 255). Sliding window còn có tên gọi là kernel, filter hay feature detector.

Ở đây, ta dùng một ma trận filter 3×3 nhân từng thành phần tương ứng (element-wise) với ma trận ảnh bên trái. Gía trị đầu ra do tích của các thành phần này cộng lại. Kết quả của tích chập là một ma trận (convoled feature) sinh ra từ việc trượt ma trận filter và thực hiện tích chập cùng lúc lên toàn bộ ma trận ảnh bên trái. Dưới đây là một vài ví dụ của phép toán tích chập.

Ta có thể làm mờ bức ảnh ban đầu bằng cách lấy giá trị trung bình của các điểm ảnh xung quanh cho vị trí điểm ảnh trung tâm.