Nghiên Cứu Về Dữ Liệu Đa Phương Tiện Tại Đại Học Quốc Gia Hà Nội

Xét một cuộc điều tra quy mô lớn của cảnh sát về tình hình buôn ma túy. Thông thường, để thực hiện thành công một cuộc điều tra như vậy lực lượng cảnh sát sử dụng một số lượng lớn các thiết bị điện tử để thực hiện theo dõi các đối tượng nghi ngờ dính líu đến các tổ chức ma túy. Với một cuộc điều tra như vậy có thể sử dụng các thiết bị để thu thập thông tin. Cảnh sát có thể sử dụng camera theo dõi để ghi lại các hình ảnh về hoạt động đang diễn ra tại các địa điểm khác nhau. Ví dụ mỗi camera theo dõi có thể giám sát các hoạt động đang diễn ra tại một địa điểm trong một khoảng thời gian tương đối dài (có thể là trong 6 tháng). Tại mỗi địa điểm họ thu được khoảng vài triệu hình ảnh. Vì chỉ mỗi một cuộc điều tra như vậy đã đòi hỏi từ 50 đến 100 camera theo dõi đặt tại các địa điểm khác nhau, do đó số hình ảnh video cần được quản lý là nhiều đáng kể. Quan trọng hơn nữa là với thúc ép của pháp luật, cần thực hiện hàng trăm cuộc điều tra như vậy tại những địa điểm trong một khoảng thời điểm tại nhiều vùng khác nhau với rất nhiều hình thức tội phạm tương tự như cuộc điều tra về ma túy như điều tra về các đường dây lừa đảo, các tội phạm liên quan đến tài chính, các cuộc điều tra về khủng bố, các cuộc điều tra về gián điệp… Số lượng dữ liệu video thu được theo cách đó phục vụ cho các cuộc điều tra là lớn khủng khiếp.

Ngoài tất cả những gì trình bày ở trên, lực lượng cảnh sát có thể có một số lượng lớn các bức ảnh từ các điều tra viên. Hơn nữa, trong các cuộc điều tra tội phạm quy mô lớn có thể phát hiện ra số lượng đáng kể các tội phạm với tội danh nhẹ (ví dụ hình ảnh những kẻ buôn bán ma túy lẻ bị chụp khi đang tiến hành bán ma túy hay một hành vi liên quan đến ma túy có thể được phát hiện mà bản thân nó có liên quan đến người trong bức ảnh). Tất cả những hình ảnh này phải được lưu lại dưới dạng kỹ thuật số, sẵn sàng cho các công việc tìm kiếm và khai thác khi cần. Cảnh sát cũng có thể phải xem xét một số lượng lớn tư liệu đã tìm được tại những nơi có liên quan đến những vụ án đang điều tra hay những vụ án khác. Một lượng lớn tư liệu có thể liên quan trực tiếp đến vụ án nhưng vào thời điểm ban đầu thì chúng có thể không được rõ ràng. Khi một cuộc điều tra về ma túy đang diễn ra, mọi cái trở nên minh bạch khi mà ngày càng có nhiều mối liên hệ với các chứng cứ đã thu được trong cuộc điều tra đang diễn ra cùng thời điểm.

Một MMDMS phải có khả năng truy vấn đồng bộ dữ liệu được thể hiện trong các định dạng khác nhau. Ví dụ, một MMDMS sẽ có khả năng truy vấn và tích hợp dữ liệu mà nó được lưu trong các SDL quan hệ khác nhau mà có thể sử dụng các lược đồ khác nhau, cũng như việc truy vấn tệp phẳng và dữ liệu lưu trữ trong DBMS hướng đối tượng DBMS không gian. Việc xử lý các truy vấn như vậy là khá phức tạp bởi vì trên thực tế việc nhận biết được nội dung của các kiểu dữ liệu media là vấn đề thách thức và nó phụ thuộc rất nhiều vào kiểu dữ liệu và cách thức lưu trữ chúng. Cuối cùng, truy vấn có thể mở rộng đối với nhiều kiểu vật mang (media) dữ liệu và MMDMS phải có khả năng kết hợp các kết quả từ các nguồn dữ liệu khác nhau và các kiểu media khác nhau.

Tương tự, MMDMS phải có khả năng truy vấn dữ liệu biểu diễn trong media khác nhau. MMDMS phải có khả năng khai thác các đối tượng mang tin từ một thiết bị lưu trữ cục bộ một cách trơn tru, liên tục. MMDMS phải có khả năng tạo ra các câu trả lời từ truy vấn (được gọi là “answer to a query”) và có khả năng trình diễn các câu trả lời này bằng các phương tiện nghe nhìn. Mặc dù vậy, hình thức và nội dung của trình diễn có thể khác nhau từ ứng dụng này đến ứng dụng khác, do đó người sử dụng phải xác định được cấu trúc của hình thức và nội dung của các trình diễn kết quả thu được từ hệ thống. Điều cuối cùng là mỗi một hệ thống có đầy đủ các đặc tính yêu cầu trên là chưa đủ mà còn cần phải có khả năng phân phối các trình diễn theo một cách nào đó nhằm thỏa mãn các yêu cầu khác nhau về chất lượng thể hiện của các thiết bị.

Biến đổi Fourier rời rạc (DFT) là một công cụ mạnh mẽ trong xử lý ảnh. Nó cho phép phân tích ảnh thành các thành phần tần số khác nhau, giúp loại bỏ nhiễu và trích xuất các đặc trưng quan trọng. DFT được sử dụng rộng rãi trong các ứng dụng như nén ảnh, phục hồi ảnh, và nhận dạng đối tượng. Luận văn có đề cập đến biến đổi Fourier rời rạc (DFT–Discrete Fourier Transform) như một phương pháp quan trọng trong xử lý ảnh.

Biến đổi Cosine rời rạc (DCT) là một biến thể của DFT, được sử dụng phổ biến trong nén ảnh và video. DCT có khả năng tập trung năng lượng của ảnh vào một số ít các hệ số, giúp giảm thiểu dung lượng lưu trữ mà vẫn giữ được chất lượng ảnh. DCT là nền tảng của các chuẩn nén ảnh như JPEG và MPEG. Luận văn cũng nhắc đến biến đổi Cosine rời rạc (DCT–Discrete Cosine Transform) như một công cụ hữu ích trong xử lý ảnh.

Cây tứ phân (Quadtree) là một cấu trúc dữ liệu phân cấp được sử dụng để biểu diễn dữ liệu hình ảnh một cách hiệu quả. Mỗi nút trong cây tứ phân đại diện cho một vùng ảnh, và mỗi nút có thể có tối đa bốn nút con, tương ứng với bốn phần tư của vùng ảnh đó. Cây tứ phân cho phép truy vấn nhanh chóng các vùng ảnh cụ thể và giảm thiểu dung lượng lưu trữ cho các ảnh có độ phân giải cao. Luận văn có đề cập đến việc chèn và tìm kiếm trong MX-Quadtree như một phương pháp biểu diễn dữ liệu hình ảnh.

Cây R (R-tree) là một cấu trúc dữ liệu không gian được sử dụng để quản lý cơ sở dữ liệu hình ảnh một cách hiệu quả. Cây R cho phép truy vấn nhanh chóng các ảnh dựa trên vị trí địa lý hoặc các thuộc tính không gian khác. Cây R được sử dụng rộng rãi trong các ứng dụng như hệ thống thông tin địa lý (GIS) và quản lý bản đồ số. Luận văn có đề cập đến biểu diễn CSDL ảnh với R-Trees như một phương pháp quản lý cơ sở dữ liệu hình ảnh.

Mạng nơ-ron sâu (Deep Learning) là một công cụ mạnh mẽ trong nhận dạng đối tượng trong ảnh. Các mô hình như Convolutional Neural Networks (CNNs) có khả năng học các đặc trưng phức tạp từ ảnh và phân loại các đối tượng một cách chính xác. CNNs được sử dụng rộng rãi trong các ứng dụng như thị giác máy tính, xe tự hành, và an ninh giám sát.

Generative Adversarial Networks (GANs) là một loại mô hình học sâu được sử dụng để tạo sinh nội dung đa phương tiện, chẳng hạn như ảnh, video, và âm thanh. GANs bao gồm hai mạng nơ-ron: một mạng sinh (generator) và một mạng phân biệt (discriminator). Mạng sinh tạo ra các mẫu dữ liệu mới, trong khi mạng phân biệt cố gắng phân biệt giữa các mẫu dữ liệu thật và các mẫu dữ liệu do mạng sinh tạo ra. GANs được sử dụng rộng rãi trong các ứng dụng như tạo ảnh chân dung, tạo video hoạt hình, và tạo nhạc.

Việc tham gia các hội nghị khoa học quốc tế là một cơ hội quan trọng để các nhà nghiên cứu trình bày các kết quả nghiên cứu mới nhất, trao đổi ý tưởng với các chuyên gia hàng đầu trong lĩnh vực, và xây dựng các mối quan hệ hợp tác. Các hội nghị khoa học quốc tế về xử lý đa phương tiện thường có sự tham gia của các nhà nghiên cứu từ các trường đại học, viện nghiên cứu, và các công ty công nghệ hàng đầu trên thế giới.

Việc công bố bài báo khoa học trên các tạp chí uy tín là một cách quan trọng để chia sẻ các kết quả nghiên cứu với cộng đồng khoa học và được công nhận bởi các chuyên gia trong lĩnh vực. Các tạp chí uy tín về xử lý đa phương tiện thường có quy trình phản biện nghiêm ngặt để đảm bảo chất lượng của các bài báo được công bố.