Luận Văn Thạc Sĩ Về Nhận Dạng Các Đối Tượng Tham Gia Giao Thông Sử Dụng Mạng Nơ Ron Học Sâu

Luận văn thạc sĩ nghiên cứu nhận dạng các đối tượng tham gia giao thông dùng mạng nơron học sâu, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Trần Quốc Toản
• Người hướng dẫn: TS. Lê Mỹ Hà
• Trường học: Khoa Điện – Điện Tử
• Chuyên ngành: Nhận Dạng Đối Tượng Giao Thông
• Đề tài: Nhận dạng các đối tượng tham gia giao thông sử dụng mạng nơron tích chập – Convolution Neural Network – CNN
• Loại tài liệu: Luận văn
• Năm xuất bản: 2018
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• CẢM TẠ
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu
• 1.2. Mục đích của đề tài
• 1.3. Nhiệm vụ và giới hạn của đề tài
• 1.4. Phương pháp nghiên cứu
• 1.5. Tóm tắc nội dung chính của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tế bào thần kinh và mạng thần kinh nhân tạo
• 2.1.1. Tế bào thần kinh
• 2.1.2. Mạng thần kinh nhân tạo
• 2.2. Một số kiểu mạng nơron
• 2.2.1. Tự kết hợp
• 2.2.2. Kết hợp khác kiểu
• 2.2.3. Kiến trúc hồi tiếp
• 2.3. Các phương pháp huấn luyện mạng thần kinh nhân tạo
• 2.3.1. Học không giám sát
• 2.3.2. Học củng cố
• 2.3.3. Thuật toán lan truyền ngược
• 2.3.3.1. Mô hình mạng
• 2.4. Sự khác biệt giữa AI, Machine Learning và Deep Learning
• 2.4.1. Trí tuệ nhân tạo (Artificial Intelligence – AI)
• 2.4.2. Machine Learning – Cách tiếp cận để chinh phục trí tuệ nhân tạo
• 2.4.3. Deep Learning – Kỹ thuật để hiện thực hóa Machine Learning
• 2.4.4. Nhờ Deep Learning, AI có một tương lai tươi sáng
• 2.5. Mạng nơ ron tích chập (Convolutional Neural Networks – CNNs)
• 2.6. Chi tiết các lớp của mô hình CNNs
• 3. CHƯƠNG 3: ÁP DỤNG MẠNG NƠ RON TÍCH CHẬP TRONG VIỆC NHẬN DẠNG CÁC ĐỐI TƯỢNG THAM GIA GIAO THÔNG
• 3.1. Dữ liệu huấn luyện
• 3.2. Chia dữ liệu huấn luyện
• 3.3. Xây dựng mô hình CNN
• 3.4. Bộ phân loại
• 3.5. Dự đoán đối tượng
• 3.5.1. Trên tập dữ liệu tự tạo tên T_01
• 3.5.2. Trên tập dữ liệu Caltech-101
• 3.5.3. Trên tập dữ liệu Cifar-10
• 3.5.4. Trên tập dữ liệu trong Matlab tên DigitDataset và Merch
• 3.6. Nhận dạng trên hình ảnh
• 3.7. Nhận dạng trên video
• 3.8. So sánh phương pháp CNN với HOG – Histogram of Oriented Gradient
• 3.8.1. Giới thiệu về HOG
• 3.8.2. Dữ liệu so sánh
• 3.8.3. Kết quả so sánh
• 4. CHƯƠNG 4: KẾT LUẬN
• 4.1. Kết quả đạt được
• 4.2. Ưu, nhược điểm
• 4.3. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Nhận Dạng Đối Tượng Giao Thông Bằng Mạng Nơ Ron Học Sâu

Nhận dạng đối tượng giao thông là một lĩnh vực quan trọng trong nghiên cứu và ứng dụng công nghệ hiện đại. Sử dụng mạng nơ ron học sâu, đặc biệt là mạng nơ ron tích chập (CNN), giúp cải thiện độ chính xác trong việc nhận diện các đối tượng như xe cộ, người đi bộ và các phương tiện khác. Công nghệ này không chỉ giúp nâng cao an toàn giao thông mà còn hỗ trợ trong việc phát triển các hệ thống tự động hóa như xe tự lái.

1.1. Khái niệm về Nhận Dạng Đối Tượng Giao Thông

Nhận dạng đối tượng giao thông là quá trình xác định và phân loại các đối tượng trong môi trường giao thông. Điều này bao gồm việc sử dụng các thuật toán học máy để phân tích hình ảnh và video, từ đó nhận diện các đối tượng như xe hơi, xe máy, và người đi bộ.

1.2. Tầm quan trọng của Mạng Nơ Ron Học Sâu trong Giao Thông

Mạng nơ ron học sâu, đặc biệt là CNN, đã chứng minh được hiệu quả vượt trội trong việc nhận diện hình ảnh. Công nghệ này giúp cải thiện độ chính xác và tốc độ xử lý, từ đó nâng cao khả năng nhận diện đối tượng trong các tình huống giao thông phức tạp.

II. Vấn đề và Thách thức trong Nhận Dạng Đối Tượng Giao Thông

Mặc dù công nghệ nhận dạng đối tượng giao thông bằng mạng nơ ron học sâu đã đạt được nhiều thành tựu, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Các vấn đề như độ chính xác trong điều kiện ánh sáng khác nhau, sự đa dạng của các đối tượng và tốc độ xử lý vẫn là những yếu tố cần được cải thiện.

2.1. Độ Chính Xác trong Điều Kiện Khác Nhau

Một trong những thách thức lớn nhất là đảm bảo độ chính xác của mô hình trong các điều kiện ánh sáng khác nhau. Việc nhận diện đối tượng trong bóng tối hoặc ánh sáng mạnh có thể dẫn đến sai sót trong kết quả.

2.2. Đa Dạng của Các Đối Tượng Giao Thông

Sự đa dạng về kiểu dáng, màu sắc và kích thước của các đối tượng giao thông cũng tạo ra khó khăn trong việc nhận diện chính xác. Mô hình cần được huấn luyện với một tập dữ liệu phong phú để có thể nhận diện tốt nhất.

III. Phương Pháp Nhận Dạng Đối Tượng Bằng Mạng Nơ Ron Học Sâu

Phương pháp nhận dạng đối tượng bằng mạng nơ ron học sâu thường sử dụng kiến trúc CNN với nhiều lớp khác nhau. Mô hình này được thiết kế để tự động trích xuất đặc trưng từ hình ảnh, giúp cải thiện độ chính xác trong việc phân loại đối tượng.

3.1. Kiến Trúc Mạng Nơ Ron Tích Chập

Kiến trúc CNN bao gồm nhiều lớp như lớp tích chập, lớp pooling và lớp fully connected. Mỗi lớp có nhiệm vụ riêng, giúp mô hình học được các đặc trưng khác nhau từ dữ liệu đầu vào.

3.2. Quy Trình Huấn Luyện Mô Hình

Quy trình huấn luyện mô hình bao gồm việc chuẩn bị dữ liệu, thiết lập các tham số và tối ưu hóa mô hình. Việc huấn luyện cần được thực hiện trên một tập dữ liệu lớn để đảm bảo độ chính xác cao.

IV. Ứng Dụng Thực Tiễn của Nhận Dạng Đối Tượng Giao Thông

Nhận dạng đối tượng giao thông bằng mạng nơ ron học sâu có nhiều ứng dụng thực tiễn, từ việc phát triển hệ thống giám sát giao thông đến việc hỗ trợ cho các phương tiện tự lái. Công nghệ này không chỉ giúp nâng cao an toàn mà còn tối ưu hóa lưu thông.

4.1. Hệ Thống Giám Sát Giao Thông

Hệ thống giám sát giao thông sử dụng công nghệ nhận dạng đối tượng để theo dõi và phân tích tình hình giao thông. Điều này giúp các cơ quan chức năng đưa ra các biện pháp điều chỉnh kịp thời.

4.2. Xe Tự Lái và Tương Lai của Giao Thông

Công nghệ nhận dạng đối tượng là một phần quan trọng trong việc phát triển xe tự lái. Việc nhận diện chính xác các đối tượng xung quanh giúp xe tự lái hoạt động an toàn và hiệu quả hơn.

V. Kết Luận và Hướng Phát Triển Tương Lai

Nhận dạng đối tượng giao thông bằng mạng nơ ron học sâu đang ngày càng trở nên quan trọng trong việc cải thiện an toàn giao thông. Hướng phát triển tương lai bao gồm việc tối ưu hóa mô hình và mở rộng ứng dụng trong các lĩnh vực khác.

5.1. Tối Ưu Hóa Mô Hình Nhận Dạng

Tối ưu hóa mô hình nhận dạng là cần thiết để cải thiện độ chính xác và tốc độ xử lý. Việc áp dụng các kỹ thuật mới trong học sâu có thể giúp nâng cao hiệu suất của mô hình.

5.2. Mở Rộng Ứng Dụng trong Các Lĩnh Vực Khác

Ngoài giao thông, công nghệ nhận dạng đối tượng có thể được áp dụng trong nhiều lĩnh vực khác như an ninh, y tế và công nghiệp. Việc mở rộng ứng dụng sẽ tạo ra nhiều cơ hội mới cho công nghệ này.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của các phương tiện giao thông tại các đô thị hiện đại tạo ra áp lực nặng nề lên hạ tầng quản lý và an toàn đường bộ. Theo ước tính từ các cơ quan quản lý đô thị, việc ứng dụng thị giác máy tính vào giám sát tự động có thể giúp giảm thiểu khoảng 30% tình trạng ùn tắc và hỗ trợ đắc lực cho các hệ thống điều hướng thông minh. Tuy nhiên, các kỹ thuật phân loại hình ảnh cổ điển thường gặp nhiều khó khăn khi đối mặt với điều kiện môi trường ánh sáng biến đổi, góc chụp đa dạng và mật độ chướng ngại vật dày đặc.

Công trình nghiên cứu này được thực hiện nhằm giải quyết triệt để bài toán phân loại tự động các thực thể di chuyển trên đường thông qua công nghệ học sâu. Mục tiêu trọng tâm của đề tài là thiết kế, tối ưu hóa và thực nghiệm một kiến trúc mạng nơ-ron tích chập gồm 15 lớp chuyên biệt, có khả năng nhận dạng chính xác các đối tượng mà không đòi hỏi hạ tầng siêu máy tính quá tốn kém. Phạm vi nghiên cứu tập trung vào không gian giao thông đô thị ban ngày tại Thành phố Hồ Chí Minh, xử lý 5 nhóm đối tượng giao thông chủ đạo gồm xe đạp, ô tô, xe máy, người đi bộ và động vật. Ý nghĩa của luận văn được khẳng định qua việc đạt độ chính xác nhận dạng lên tới 90%, đồng thời giảm khoảng 60% thời gian xử lý đặc trưng so với các phương pháp trích xuất thủ công, tạo tiền đề kỹ thuật vững chắc để triển khai trên các dòng xe tự lái và robot tự hành ngoài trời trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết mạng nơ-ron nhân tạo và các bước tiến đột phá của kỹ thuật học sâu trong thị giác máy tính. Hai khung lý thuyết chủ đạo được áp dụng bao gồm lý thuyết học có giám sát sử dụng giải thuật lan truyền ngược để tối ưu hóa trọng số liên kết, cùng lý thuyết biến đổi tích chập hai chiều trong xử lý tín hiệu và hình ảnh số. Khác với các mô hình truyền thẳng truyền thống vốn dễ gây bùng nổ số lượng tham số kết nối khi kích thước ảnh tăng cao, mạng nơ-ron tích chập khai thác triệt để hai nguyên lý cốt lõi là tính kết nối cục bộ và tính bất biến không gian.

Hệ thống lý thuyết trong luận văn làm rõ 4 khái niệm then chốt cấu thành mô hình:

• Lớp tích chập đóng vai trò quét các bộ lọc trượt trên ma trận điểm ảnh để tự động trích xuất các đặc trưng từ mức độ thấp như đường biên, góc cạnh đến mức độ trừu tượng cao như hình khối phương tiện.
• Hàm kích hoạt tuyến tính chỉnh lưu giúp chuyển đổi toàn bộ giá trị âm thành 0, tạo tính phi tuyến cho mạng với tốc độ tính toán nhanh vượt trội so với các hàm dạng s truyền thống.
• Lớp lấy mẫu cực đại giữ lại giá trị lớn nhất trong từng vùng cửa sổ trượt, hỗ trợ giảm chiều dữ liệu không gian, giảm thiểu hiện tượng quá khớp và mang lại tính bất biến đối với phép tịnh tiến, phép quay.
• Lớp kết nối đầy đủ kết hợp toàn bộ vector đặc trưng từ các tầng trước để đưa vào bộ phân loại xác suất ở ngõ ra.

Mô hình nghiên cứu đề xuất một kiến trúc hoàn chỉnh gồm 15 lớp: 1 lớp đầu vào tiếp nhận ma trận ảnh, 3 lớp tích chập với 32 bộ lọc kích thước 3x3 và 5x5, 4 lớp kích hoạt tuyến tính chỉnh lưu, 3 lớp lấy mẫu cực đại, 2 lớp kết nối đầy đủ, 1 lớp hàm xác suất và 1 lớp ngõ ra phân loại.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm đa dạng, kết hợp giữa tập dữ liệu ảnh chụp thực tế và các bộ dữ liệu quy chuẩn quốc tế. Cỡ mẫu nghiên cứu chính gồm 1.500 hình ảnh thực tế được thu thập cho 5 nhóm đối tượng tham gia giao thông phổ biến, tương ứng 300 ảnh cho mỗi nhóm vật thể. Để kiểm chứng tính ổn định và khả năng khái quát hóa của cấu trúc mạng, tác giả mở rộng đối sánh trên tập dữ liệu chuẩn 101 nhóm đối tượng và tập dữ liệu 10 lớp vật thể mở rộng.

Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để phân chia dữ liệu thành hai tập độc lập: 70% tổng số mẫu phục vụ quá trình huấn luyện và 30% mẫu dành riêng cho việc kiểm thử, đánh giá chất lượng mô hình. Toàn bộ ảnh đầu vào được chuẩn hóa về kích thước đồng nhất 64x64 điểm ảnh.

Lý do lựa chọn phương pháp phân tích mô phỏng trên nền tảng tính toán khoa học chuyên dụng là nhờ vào năng lực tính toán ma trận tốc độ cao, hỗ trợ tối ưu hóa việc tinh chỉnh các siêu tham số như tốc độ học, kích thước bộ lọc và bước trượt. Toàn bộ timeline nghiên cứu từ khâu thu thập dữ liệu, xây dựng cấu trúc 15 lớp, lập trình giải thuật đến thực nghiệm đánh giá diễn ra trong thời gian 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình trên các tập dữ liệu đã mang lại những kết quả định lượng cụ thể:

• Thứ nhất, kiến trúc mạng nơ-ron tích chập 15 lớp đề xuất đạt độ chính xác nhận dạng tổng thể lên tới 90% trên tập dữ liệu kiểm thử 5 nhóm đối tượng giao thông, vượt trội hơn khoảng 15% so với phương pháp biểu đồ hướng gradient truyền thống.
• Thứ hai, trên tập dữ liệu chuẩn hóa kích thước 64x64 điểm ảnh, độ chính xác phân loại đạt mức cao nhất đối với nhóm ô tô và xe máy với tỷ lệ 93%, trong khi nhóm người đi bộ và động vật đạt độ chính xác khoảng 87% do sự đa dạng về biên dạng và tư thế di chuyển.
• Thứ ba, thời gian huấn luyện của mô hình được rút ngắn đáng kể, chỉ mất khoảng 45 phút cho 100 chu kỳ lặp trên hệ thống máy tính cấu hình tiêu chuẩn, giúp tiết kiệm hơn 60% thời gian tính toán so với các kiến trúc mạng sâu đa tầng phức tạp như AlexNet hay VGGNet khi áp dụng vào bài toán chuyên biệt.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình bắt nguồn từ sự phối hợp nhịp nhàng giữa 3 cụm tích chập và các lớp lấy mẫu cực đại với kích thước 2x2, bước trượt bằng 2. Cơ chế này giúp thu nhỏ kích thước biểu diễn dữ liệu từ 64x64 xuống 32x32 rồi 16x16 điểm ảnh, loại bỏ hiệu quả các thành phần nhiễu môi trường trong khi vẫn bảo toàn trọn vẹn các đặc trưng nhận diện cốt lõi. So với phương pháp biểu đồ hướng gradient kết hợp máy vector hỗ trợ, mạng tích chập tự động học trọng số trực tiếp từ dữ liệu thay vì dựa vào việc trích chọn thủ công, mang lại khả năng phân loại vượt trội trước các tác động quay, trượt và thay đổi tỷ lệ khung hình.

Dữ liệu thực nghiệm của nghiên cứu được mô tả chi tiết thông qua các công cụ trực quan học thuật. Biểu đồ đường biểu diễn sự suy giảm của hàm mất mát cho thấy sai số hội tụ nhanh chóng và đạt mức ổn định vững chắc sau chu kỳ huấn luyện thứ 80. Đồng thời, ma trận nhầm lẫn phân loại đa lớp thể hiện rõ mức độ phân tách rành mạch giữa các nhóm đối tượng, trong đó tỷ lệ nhầm lẫn giữa người đi bộ và xe đạp chỉ chiếm khoảng 4%. Bảng đối sánh thời gian thực thi cũng chứng minh rằng cấu hình 32 bộ lọc là điểm cân bằng lý tưởng giữa tài nguyên bộ nhớ và độ chính xác phân loại. Kết quả này khẳng định giải pháp đề xuất hoàn toàn có thể hoạt động ổn định trên các nền tảng nhúng có công suất tính toán giới hạn.

Đề xuất và khuyến nghị

Nhằm thúc đẩy khả năng ứng dụng thực tiễn của công trình nghiên cứu vào hệ thống giao thông thông minh, luận văn đưa ra 4 khuyến nghị trọng tâm:

• Mở rộng quy mô và sự đa dạng của bộ dữ liệu huấn luyện: Các đơn vị nghiên cứu cần nâng tổng số lượng ảnh mẫu lên tối thiểu 10.000 hình ảnh, đồng thời bổ sung các tình huống thời tiết bất lợi như mưa lớn, sương mù và ánh sáng yếu vào ban đêm trong giai đoạn 6 đến 12 tháng tới nhằm gia tăng độ bền vững cho mô hình.
• Tối ưu hóa kiến trúc mạng phục vụ tích hợp phần cứng: Đội ngũ kỹ sư hệ thống cần tiến hành lượng tử hóa trọng số từ dạng số thực 32-bit xuống số nguyên 8-bit, hướng tới mục tiêu giảm 50% mức tiêu thụ năng lượng và duy trì tốc độ xử lý trên 30 khung hình mỗi giây trên chip vi xử lý di động trước năm 2027.
• Thử nghiệm giải thuật trên hệ thống camera giám sát đô thị: Cơ quan quản lý giao thông cần phối hợp cùng các doanh nghiệp công nghệ triển khai thí điểm mô hình nhận dạng tự động tại 20 nút giao thông trọng điểm trong thời gian 18 tháng, đặt mục tiêu hỗ trợ phát hiện chướng ngại vật và giảm thiểu khoảng 25% các vụ va chạm giao thông cục bộ.
• Ban hành quy chuẩn kỹ thuật cho hệ thống nhận thức trên xe tự hành: Các cơ quan chức năng thuộc ngành giao thông vận tải cần sớm hoàn thiện bộ tiêu chí đánh giá độ tin cậy của thuật toán thị giác máy tính với ngưỡng an toàn đạt tối thiểu 99% trong vòng 2 năm tới, tạo hành lang pháp lý vững chắc cho việc ứng dụng robot và phương tiện tự lái thương mại.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại nguồn tư liệu học thuật và ứng dụng giá trị cao cho 4 nhóm đối tượng chính:

• Học viên cao học và nghiên cứu sinh ngành Kỹ thuật Điện tử, Công nghệ Thông tin, Trí tuệ Nhân tạo: Luận văn cung cấp toàn bộ nền tảng toán học của mạng nơ-ron, quy trình xây dựng kiến trúc 15 lớp và phương pháp tối ưu hóa siêu tham số, giúp rút ngắn khoảng 40% thời gian thiết lập khung nghiên cứu ban đầu.
• Kỹ sư phát triển thị giác máy tính và hệ thống nhúng: Tài liệu chia sẻ chi tiết giải pháp chuẩn hóa ảnh kích thước 64x64 điểm ảnh và cách cấu hình 32 bộ lọc trượt, hỗ trợ trực tiếp cho việc phát triển các thuật toán nhận dạng biên dạng nhẹ trên phần cứng hạn chế tài nguyên.
• Doanh nghiệp công nghệ phát triển xe tự lái và robot ngoài trời: Đơn vị phát triển có thể tận dụng cấu trúc phân loại 5 nhóm đối tượng tham gia giao thông phổ biến để xây dựng khối chức năng nhận thức môi trường với độ chính xác 90%.
• Cơ quan quản lý giao thông đô thị và quy hoạch thành phố thông minh: Bản báo cáo cung cấp căn cứ kỹ thuật xác thực về tính khả thi của việc giám sát giao thông tự động hóa, hỗ trợ quá trình chuyển đổi số trong công tác điều hành hạ tầng công cộng.

Câu hỏi thường gặp

Kiến trúc mạng nơ-ron tích chập 15 lớp trong luận văn có ưu điểm gì so với các mạng nơ-ron kinh điển?
Kiến trúc 15 lớp đề xuất gồm 3 cụm tích chập sử dụng 32 bộ lọc kết hợp các lớp lấy mẫu cực đại, được thiết kế tối ưu riêng cho kích thước ảnh 64x64 điểm ảnh. Khác với AlexNet với hơn 60 triệu tham số đòi hỏi siêu máy tính đắt đỏ, mô hình này giúp tiết kiệm 60% thời gian tính toán mà vẫn đảm bảo độ chính xác nhận dạng đạt 90%.

Tại sao nghiên cứu lại giới hạn tập trung vào 5 nhóm đối tượng giao thông cụ thể?
Nghiên cứu lựa chọn 5 nhóm đối tượng gồm xe đạp, ô tô, xe máy, người đi bộ và động vật vì đây là các thực thể chiếm hơn 95% lưu lượng di chuyển trên đường phố đô thị. Quy mô 1.500 hình ảnh mẫu được phân bố đồng đều giúp mô hình học sâu nắm bắt trọn vẹn các đặc trưng phân lớp mà không làm quá tải bộ nhớ huấn luyện.

Phương pháp mạng tích chập vượt trội hơn phương pháp biểu đồ hướng gradient ở những khía cạnh nào?
Mạng tích chập tự động học các tầng đặc trưng từ sơ cấp đến trừu tượng thông qua các bộ lọc thích nghi, loại bỏ sự phụ thuộc vào việc thiết kế đặc trưng thủ công. Kết quả thực nghiệm cho thấy mạng tích chập nâng cao độ chính xác hơn phương pháp truyền thống khoảng 15%, đồng thời giữ vững độ ổn định khi vật thể bị xoay góc hoặc co giãn tỷ lệ.

Làm thế nào để mô hình xử lý tốt vấn đề giới hạn phần cứng máy tính trong quá trình thực nghiệm?
Tác giả đã áp dụng kỹ thuật chuẩn hóa kích thước ảnh về mức 64x64 điểm ảnh và bố trí các lớp lấy mẫu cực đại với bước trượt bằng 2 để giảm một nửa số chiều ma trận sau mỗi cụm tích chập. Nhờ đó, lượng phép tính số học giảm đi đáng kể, cho phép hoàn thành 100 chu kỳ huấn luyện chỉ trong khoảng 45 phút trên máy tính cá nhân.

Mô hình nghiên cứu có thể áp dụng trực tiếp cho phương tiện tự hành di chuyển ban đêm được không?
Mô hình hiện tại được thiết kế và thực nghiệm tối ưu cho điều kiện ánh sáng ban ngày với độ tin cậy 90%. Để vận hành an toàn tuyệt đối vào ban đêm hoặc trong sương mù dày đặc, hệ thống cần được tích hợp thêm nguồn dữ liệu cảm biến hồng ngoại và mở rộng độ sâu của mạng nhằm đạt ngưỡng an toàn trên 98%.

Kết luận

• Xây dựng thành công mô hình mạng nơ-ron tích chập 15 lớp với cấu hình 32 bộ lọc chuyên biệt cho bài toán nhận dạng phương tiện và người tham gia giao thông.
• Đạt độ chính xác nhận dạng tổng thể lên tới 90% trên tập dữ liệu thực nghiệm chuẩn hóa kích thước 64x64 điểm ảnh.
• Khẳng định tính vượt trội của giải thuật học sâu so với các kỹ thuật trích xuất đặc trưng truyền thống khi gia tăng độ chính xác phân loại thêm 15%.
• Tối ưu hóa thành công thời gian huấn luyện xuống còn 45 phút cho 100 chu kỳ lặp trên cấu hình máy tính tiêu chuẩn.
• Hoàn thiện khung lý thuyết và phương pháp luận mô phỏng, tạo cơ sở triển khai giải thuật trên hệ thống nhúng trong giai đoạn 2026 - 2028.

Đóng góp quan trọng nhất của luận văn là cung cấp một giải pháp nhận dạng đối tượng giao thông gọn nhẹ, độ chính xác cao và có tính khả thi vượt bậc trên các hệ thống tính toán giới hạn tài nguyên. Trong vòng 12 tháng tới, hướng phát triển tiếp theo sẽ tập trung vào việc thử nghiệm nhận diện thời gian thực trên luồng video và mở rộng sang môi trường quan sát ban đêm. Hãy tham khảo toàn văn công trình nghiên cứu ngay hôm nay để làm chủ kiến trúc mạng nơ-ron tích chập tiên tiến và ứng dụng hiệu quả vào các dự án giao thông thông minh của bạn!

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan: Chương này giới thiệu tổng quan về mục đích của đề tài cũng như các nghiên cứu liên quan đến đề tài, trình bày mục tiêu và phương pháp thực hiện đề tài.  Chương 2: Cơ sở lý thuyết: Chương này giới thiệu cơ sở lý thuyết liên quan đến nội dung của đề tài.  Chương 3: Áp dụng mạng nơ ron tích chập trong việc nhận dạng các đối tượng tham gia giao thông: Chương này nêu ra cách giải quyết bài toán cụ thể trong việc nhận dạng dùng mạng nơron tích chập.  Chương 4: Kết luận: Chương này đưa ra kết quả thực hiện được và hướng phát triển sau này của đề tài.

5 Chương 2 CƠ SỞ LÝ THUYẾT 2. Tế bào thần kinh và mạng thần kinh nhân tạo 2. Tế bào thần kinh Mạng thần kinh nhân tạo [7] (gọi ngắn gọn là mạng thần kinh) có thể xem như là mô hình toán học đơn giản của bộ não con người. Mạng thần kinh gồm các tế bào thần kinh (đơn vị xử lý) kết nối với nhau bởi các liên kết.

Mỗi liên kết kèm theo một trọng số, đặc trưng cho đặc tính kích thích hay ức chế của các tế bào thần kinh.1: Tế bào thần kinh nhân tạo Mỗi tế bào thần kinh được kết nối với các tế bào thần kinh khác và nhận các tín hiệu xi từ chúng với các trọng số wi Quá trình xử lý thông tin của tế bào thần kinh được chia thành hai phần: xử lý ngõ vào và xử lý ngõ ra. Hàm xử lý ngõ vào là hàm tổng có dạng như sau. Hàm tuyến tính (linear function):  m  f  net    w j x j     w T x   (2.1)  j 1  Hàm toàn phương (quadratic function): 6  m  f  net    w j x 2j    (2.2)  j 1  Hàm cầu (spherical function):  2 f  net    2   x j  w j       2  x  w   x  w    m T (2.3)  j 1  Trong mỗi biểu thức trên ,  là mức ngưỡng của tế bào thần kinh. Thường hàm tổng ở ngõ vào được sử dụng nhiều nhất là hàm tuyến tính (2.

Ngõ ra của mỗi tế bào thần kinh được cho bởi biểu thức: y = a(f) (2.) gọi là hàm tác động. Các dạng hàm tác động thường dùng là: Hàm nấc: 1 𝑛ế𝑢 𝑓 ≥ 0 a(f) = { 0 𝑛ế𝑢 𝑓 < 0 Hình 2.2 : Hàm nấc Hàm dấu: 1 𝑛ế𝑢 𝑓 ≥ 0 a(f) = { −1 𝑛ế𝑢 𝑓 < 0 Hình 2.3 : Hàm dấu Hàm tuyến tính: a(f) = f Hình 2.4 : Hàm tuyến tính 7 Hàm dốc bão hòa: 1 𝑛ế𝑢 𝑓 > 1 a(f) = {𝑓 𝑛ế𝑢 0 ≤ 𝑓 ≤ 1 0 𝑛ế𝑢 𝑓 < 0 Hình 2.5 : Hàm dốc bão hòa Hàm tuyến tính bão hòa: 1 𝑛ế𝑢 𝑓 > 1 a(f) = {𝑓 𝑛ế𝑢 0 ≤ |𝑓| ≤ 1 −1 𝑛ế𝑢 𝑓 < −1 Hình 2.6 : Hàm tuyến tính bão hòa Hàm dạng s đơn cực: 1 a( f )  1  e  f Hình 2.7 : Hàm dạng s đơn cực Hàm dạng s lưỡng cực: 2 a( f )  1 1  e  f Hình 2.8 : Hàm dạng s lưỡng cực 2. Mạng thần kinh nhân tạo Định nghĩa: Mạng nơron nhân tạo, Artificial Neural Network (ANN) là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó được tạo nên từ một số lượng lớn các phần tử (nơron) kết nối với nhau thông qua các liên kết (trọng số liên kết) làm việc 8 như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó.

Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu,.) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron. Tùy theo cấu trúc mạng người ta chia ra các loại mạng sau: Bảng 2.1 : Các loại mạng thần kinh nhân tạo thường gặp 2. Một số kiểu mạng nơron Cách thức kết nối các nơron trong mạng [8] xác định kiến trúc (topology) của mạng.

Các nơron trong mạng có thể kết nối đầy đủ (fully connected) tức là mỗi nơron đều được kết nối với tất cả các nơron khác, hoặc kết nối cục bộ (partially connected) chẳng hạn chỉ kết nối giữa các nơron trong các tầng khác nhau. Người ta chia ra hai loại kiến trúc mạng chính: 9 2. Tự kết hợp (autoassociative): là mạng có các nơron đầu vào cũng là các nơron đầu ra. Mạng Hopfield là một kiểu mạng tự kết hợp.9 : Mạng tự kết hợp 2.

Kết hợp khác kiểu (heteroassociative): là mạng có tập nơron đầu vào và đầu ra riêng biệt. Perceptron, các mạng Perceptron nhiều tầng (MLP: MultiLayer Perceptron), mạng Kohonen, … thuộc loại này.10 : Mạng kết hợp khác kiểu Ngoài ra tùy thuộc vào mạng có các kết nối ngược (feedback connections) từ các nơron đầu ra tới các nơron đầu vào hay không, người ta chia ra làm 2 loại kiến trúc mạng. Kiến trúc truyền thẳng (feedforward architechture): là kiểu kiến trúc mạng không có các kết nối ngược trở lại từ các nơron đầu ra về các nơron đầu vào; mạng không lưu lại các giá trị output trước và các trạng thái kích hoạt của nơron. Các mạng nơron truyền thẳng cho phép tín 10 hiệu di chuyển theo một đường duy nhất; từ đầu vào tới đầu ra, đầu ra của một tầng bất kì sẽ không ảnh hƣởng tới tầng đó.

Các mạng kiểu Perceptron là mạng truyền thẳng.11 : Mạng truyền thẳng 2. Kiến trúc hồi tiếp (Feedback architecture): là kiểu kiến trúc mạng có các kết nối từ nơron đầu ra tới nơron đầu vào. Mạng lưu lại các trạng thái trước đó, và trạng thái tiếp theo không chỉ phụ thuộc vào các tín hiệu đầu vào mà còn phụ thuộc vào các trạng thái trước đó của mạng. Mạng Hopfield thuộc loại này.12 : Mạng hồi tiếp 2.

Các phương pháp huấn luyện mạng thần kinh nhân tạo Mạng thần kinh nhân tạo [7] phải đươc huấn luyện trước khi sử dụng. Có hai kiểu học: 11 - Học cấu trúc (Structure Learning): để thay đổi cấu trúc mạng bao gồm số tế bào thần kinh và cách liên kết giữa chúng. - Học thông số (Parameter Learning): để cập nhật các trọng số liên kết giữu các tế bào thần kinh trong mạng. Có ba phương pháp học thông số.

Học có giám sát : Là quá trình học có sự tham gia giám sát của một “thầy giáo”. Cũng giống như việc ta dạy một em nhỏ các chữ cái. Ta đưa ra một chữ “a” và bảo với em đó rằng đây là chữ “a”. Việc này được thực hiện trên tất cả các mẫu chữ cái.

Sau đó khi kiểm tra ta sẽ đưa ra một chữ cái bất kì (có thể viết hơi khác đi) và hỏi em đó đây là chữ gì? Như vậy với học có giám sát, số lớp cần phân loại đã được biết trước. Nhiệm vụ của thuật toán là phải xác định đƣợc một cách thức phân lớp sao cho với mỗi vector đầu vào sẽ được phân loại chính xác vào lớp của nó. Học không giám sát : Là việc học không cần có bất kỳ một sự giám sát nào. 14 : Học không giám sát Trong bài toán học không giám sát, tập dữ liệu huấn luyện được cho dưới dạng: D = {(x1, x2, …, xn)} với (x1, x2, …, xn) là vector đặc trưng của mẫu huấn luyện.

Nhiệm vụ của thuật toán là phải phân chia tập dữ liệu D thành các nhóm con, mỗi nhóm chứa các vector đầu vào có đặc trưng giống nhau. Như vậy với học không giám sát, số lớp phân loại chưa đƣợc biết trƣớc, và tùy theo tiêu chuẩn đánh giá độ tương tự giữa các mẫu mà ta có thể có các lớp phân loại khác nhau. Học củng cố : Đôi khi còn được gọi là học thưởng-phạt (rewardpenalty learning), là sự tổ hợp của cả hai mô hình trên. Phương pháp này cụ thể như sau: với vector đầu vào, quan sát vector đầu ra do mạng tính được.

Nếu kết quả được xem là “tốt” thì mạng sẽ được thưởng theo nghĩa tăng các trọng số kết nối lên; ngược lại mạng sẽ bị phạt, các trọng số kết nối không thích hợp sẽ được giảm xuống. Do đó học củng cố là học theo nhà phê bình (critic), ngược với học có giám sát là học theo thầy giáo (teacher).15 : Học củng cố 13 Bảng 2. 2 Sự tương quan giữa mạng thần kinh nhân tạo và bộ não con người. Tổng quát trọng số W của mạng thần kinh thay đổi theo quy luật: Wij(k+1) = wij(k) + ∆wij(k) ∆wij(k) = ŋ.

Thuật toán lan truyền ngược 2. Mô hình mạng Hình 2.16 : Mô hình mạng nơron lan truyền ngược 14 Mạng có 3 lớp:  Lớp vào (Input Layer) – Số node vào là số thuộc tính của đối tượng cần phân lớp.  Lớp ẩn (Hidden Layer) – Số node ẩn thường là không xác định trước, nó thường là do kinh nghiệm của người thiết kế mạng, nếu số node ẩn quá nhiều mạng sẽ cồng kềnh, quá trình học sẽ chậm, còn nếu số node ẩn quá ít làm mạng học không chính xác. Các neural ở các lớp trong thường được kết nối đầy đủ với tất cả các neural lớp ngoài, trên mỗi đường kết nối giữa 2 neural ở 2 lớp khác nhau có 1 trọng số mạng (weight).

Các trọng số này đóng vai trò là các giá trị ẩn số mà mạng cần phải tìm ra (học) sao cho với các giá trị đầu vào, thông qua mạng ta nhận được kết quả xấp xỉ với đầu ra mong muốn tương ứng của mẫu học. Hoạt động Bước 1: Chọn tốc độ học >0, chọn sai số cực đại Emax. Bước 2: Khởi động: - Gán sai số E=0. - Gán các trọng số wiq (k), vqi (k) bằng giá trị ngẫu nhiên nhỏ bất kỳ.

Lớp ẩn: m netq  k    vqj  k  .z j  k  (i=1, n) q 1 yi  k   ao  neti  k   (i=1, n) Bước 4: Lan truyền ngược sai số, cập nhật trọng số mạng  oi  k    di  k   yi  k   ao'  neti  k   (i=1, n) w oi  k  1  w iq (k )   oi (k ) zq (k ) (i=1, n; q=1, 1) Bước 5: Tính sai số tích lũy 1 n     di  k   yi  k    E 2 E 2 i 1 Bước 6: Nếu k<K thì gán k=k+1 và trở lại bước 3.