Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của trí tuệ nhân tạo (AI), việc nhận dạng hành động người qua hình ảnh và video trở thành một lĩnh vực nghiên cứu quan trọng với nhiều ứng dụng thực tiễn như giám sát an ninh, phân tích hành vi, và chăm sóc sức khỏe. Theo ước tính, lượng dữ liệu video được tạo ra và chia sẻ trên các nền tảng trực tuyến ngày càng tăng nhanh, đòi hỏi các hệ thống tự động có khả năng phân tích và nhận dạng chính xác hành động con người. Mục tiêu của nghiên cứu này là phát triển một mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) nhằm nhận dạng các hành động cơ bản của người trong hình ảnh và video, bao gồm các trạng thái như cúi chào (Bowing), đi bộ (Walking), vẫy tay (Waving) và không hành động (Nothing). Nghiên cứu được thực hiện trên dữ liệu thu thập tại một phòng nhỏ với khoảng cách camera cố định từ 2 đến 3 mét, trong phạm vi thời gian và điều kiện ánh sáng ổn định nhằm đảm bảo tính khả thi và hiệu quả của mô hình. Việc ứng dụng CNN trong nhận dạng hành động không chỉ nâng cao độ chính xác mà còn góp phần giảm thiểu sự phụ thuộc vào kỹ thuật trích xuất đặc trưng thủ công, từ đó thúc đẩy phát triển các hệ thống giám sát thông minh và tự động hóa trong nhiều lĩnh vực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và mạng nơ-ron tích chập (Convolutional Neural Network - CNN). ANN mô phỏng cấu trúc và chức năng của bộ não người với các nơ-ron nhân tạo kết nối qua trọng số, có khả năng học và tổng quát hóa thông tin. Các phương pháp huấn luyện mạng ANN bao gồm học có giám sát, học củng cố và học không giám sát, trong đó học có giám sát được sử dụng phổ biến cho các bài toán phân loại. CNN là một dạng mạng nơ-ron đặc biệt, sử dụng các lớp tích chập (convolutional layers) để tự động trích xuất đặc trưng từ dữ liệu hình ảnh, giảm thiểu số lượng tham số cần học nhờ cơ chế chia sẻ trọng số (shared weights) và kết nối cục bộ (local receptive fields). Các thành phần chính của CNN bao gồm lớp tích chập, lớp pooling (thường là max pooling) để giảm kích thước dữ liệu và tăng tính trừu tượng, lớp biến đổi tuyến tính ReLU (Rectified Linear Unit) để tạo phi tuyến tính và lớp fully connected để phân loại cuối cùng. Hàm ReLU được ưu tiên sử dụng nhờ tính toán đơn giản, khả năng tạo tính thưa thớt và tăng tốc độ huấn luyện.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập ảnh màu gồm 3.418 hình ảnh kích thước 227x227, được phân loại thành 4 nhóm hành động: Bowing (660 ảnh), Walking (1.146 ảnh), Waving (1.400 ảnh) và Nothing (212 ảnh). Dữ liệu được trích xuất từ video quay tại một phòng nhỏ với camera cố định, nhằm loại bỏ ảnh hưởng của điều kiện ánh sáng và phức tạp nền ảnh. Phương pháp phân tích sử dụng mô hình CNN 10 lớp do tác giả thiết kế, bao gồm các lớp tích chập, ReLU, pooling và fully connected, được huấn luyện trên phần mềm Matlab với cấu hình máy tính sử dụng GPU GeForce GTX 750 Ti để tăng tốc quá trình huấn luyện. Dữ liệu được chia thành 70% để huấn luyện và 30% để kiểm tra, với thuật toán huấn luyện là stochastic gradient descent with momentum (SGDM), tối đa 20 epoch và tốc độ học ban đầu 0.0001. Quá trình huấn luyện được giám sát chặt chẽ để đảm bảo độ chính xác và tránh overfitting. Kết quả được đánh giá dựa trên tỷ lệ phân loại chính xác trên tập kiểm tra.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mô hình CNN 10 lớp đạt độ chính xác lên tới 99,79% trên tập dữ liệu kiểm tra gồm 3.418 ảnh, sau 20 epoch huấn luyện với tổng thời gian khoảng 4 giờ. Đây là mức độ chính xác rất cao, cho thấy hiệu quả của kiến trúc mạng và phương pháp huấn luyện được áp dụng.

  2. So sánh với tập dữ liệu chuẩn Cifar-10 gồm 60.000 ảnh màu kích thước 32x32 thuộc 10 lớp khác nhau, mô hình CNN 10 lớp cũng thể hiện khả năng phân loại tốt, chứng minh tính tổng quát và khả năng áp dụng rộng rãi của mô hình.

  3. Việc sử dụng GPU GeForce GTX 750 Ti giúp giảm đáng kể thời gian huấn luyện so với CPU truyền thống, từ đó tăng hiệu quả nghiên cứu và khả năng thử nghiệm nhiều cấu hình mạng khác nhau.

  4. Mô hình CNN tự động trích xuất đặc trưng từ ảnh đầu vào, thay thế hoàn toàn bước trích xuất đặc trưng thủ công như HOG hay SIFT trong học máy truyền thống, giúp giảm thiểu sai số và tăng tính chính xác.

Thảo luận kết quả

Nguyên nhân chính dẫn đến độ chính xác cao của mô hình là nhờ kiến trúc CNN 10 lớp với các lớp tích chập và pooling được thiết kế hợp lý, giúp mạng học được các đặc trưng từ mức thấp đến cao của hình ảnh như cạnh, góc, hình dạng và đặc trưng hành động. Việc sử dụng hàm kích hoạt ReLU giúp tăng tốc độ huấn luyện và giảm hiện tượng vanishing gradient. So với các nghiên cứu trước đây sử dụng học máy truyền thống với kỹ thuật trích xuất đặc trưng thủ công, mô hình CNN cho kết quả vượt trội về độ chính xác và khả năng mở rộng. Kết quả có thể được trình bày qua biểu đồ độ chính xác theo số epoch, thể hiện sự ổn định và tiến bộ của mô hình trong quá trình huấn luyện. Tuy nhiên, nghiên cứu còn giới hạn ở việc nhận dạng hành động đơn lẻ trong môi trường kiểm soát, chưa xử lý được nhiều người cùng lúc hoặc các hành động phức tạp hơn, mở ra hướng phát triển trong tương lai.

Đề xuất và khuyến nghị

  1. Mở rộng tập dữ liệu huấn luyện: Thu thập thêm dữ liệu đa dạng về hành động và điều kiện môi trường nhằm nâng cao khả năng tổng quát của mô hình, dự kiến thực hiện trong 6-12 tháng, do nhóm nghiên cứu và các tổ chức giám sát an ninh thực hiện.

  2. Phát triển mô hình nhận dạng đa người: Nghiên cứu và tích hợp các kỹ thuật phát hiện và phân tách đối tượng trong ảnh để nhận dạng hành động của nhiều người cùng lúc, hướng tới ứng dụng trong giám sát công cộng, thời gian 12-18 tháng, do nhóm nghiên cứu AI chuyên sâu đảm nhiệm.

  3. Tối ưu hóa mô hình cho thiết bị di động và nhúng: Giảm kích thước mô hình và tăng tốc độ xử lý để ứng dụng trên các thiết bị có tài nguyên hạn chế như camera giám sát thông minh, dự kiến 6 tháng, phối hợp với các công ty công nghệ phần cứng.

  4. Kết hợp với các kỹ thuật học sâu khác: Áp dụng các kiến trúc mạng mới như ResNet, LSTM để cải thiện khả năng nhận dạng hành động liên tục trong video, thời gian 12 tháng, do nhóm nghiên cứu AI và thị giác máy tính thực hiện.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành Kỹ thuật Điện tử - Truyền thông: Nghiên cứu sâu về mạng nơ-ron tích chập và ứng dụng trong xử lý ảnh, giúp phát triển các đề tài liên quan đến AI và Deep Learning.

  2. Chuyên gia phát triển hệ thống giám sát an ninh: Áp dụng mô hình nhận dạng hành động để tự động phát hiện hành vi bất thường, nâng cao hiệu quả giám sát và giảm thiểu sai sót do con người.

  3. Nhà phát triển phần mềm AI và thị giác máy tính: Tham khảo kiến trúc mạng CNN 10 lớp và quy trình huấn luyện để xây dựng các ứng dụng nhận dạng hình ảnh và video chính xác.

  4. Doanh nghiệp công nghệ và startup AI: Tìm hiểu về ứng dụng Deep Learning trong thực tế, từ đó phát triển sản phẩm mới như camera thông minh, trợ lý ảo giám sát hành vi người dùng.

Câu hỏi thường gặp

  1. Mạng nơ-ron tích chập (CNN) là gì và tại sao được sử dụng trong nhận dạng hành động?
    CNN là một loại mạng nơ-ron nhân tạo chuyên xử lý dữ liệu dạng lưới như hình ảnh. CNN tự động trích xuất đặc trưng từ ảnh qua các lớp tích chập và pooling, giúp nhận dạng hành động chính xác hơn so với phương pháp truyền thống cần trích đặc trưng thủ công.

  2. Dữ liệu huấn luyện trong nghiên cứu này có đặc điểm gì?
    Dữ liệu gồm 3.418 ảnh màu kích thước 227x227, phân thành 4 lớp hành động cơ bản, được trích xuất từ video quay tại phòng nhỏ với camera cố định, nhằm đảm bảo điều kiện ánh sáng và nền ảnh ổn định.

  3. Phương pháp huấn luyện mạng CNN được áp dụng như thế nào?
    Mạng được huấn luyện bằng thuật toán stochastic gradient descent with momentum (SGDM) với 20 epoch, tốc độ học ban đầu 0.0001, sử dụng GPU GeForce GTX 750 Ti để tăng tốc quá trình huấn luyện.

  4. Độ chính xác của mô hình đạt được ra sao?
    Mô hình CNN 10 lớp đạt độ chính xác 99,79% trên tập kiểm tra, cho thấy khả năng phân loại hành động người rất hiệu quả trong điều kiện nghiên cứu.

  5. Những hạn chế và hướng phát triển tiếp theo của nghiên cứu là gì?
    Hiện tại mô hình chỉ nhận dạng được hành động đơn lẻ trong môi trường kiểm soát, chưa xử lý được nhiều người cùng lúc hoặc hành động phức tạp. Hướng phát triển bao gồm mở rộng dữ liệu, nhận dạng đa người, tối ưu mô hình cho thiết bị nhúng và áp dụng kiến trúc mạng mới.

Kết luận

  • Nghiên cứu đã xây dựng thành công mô hình mạng nơ-ron tích chập 10 lớp nhận dạng chính xác 4 hành động cơ bản của người với độ chính xác 99,79%.
  • Mô hình tự động trích xuất đặc trưng từ ảnh, vượt trội hơn so với phương pháp học máy truyền thống.
  • Việc sử dụng GPU giúp rút ngắn thời gian huấn luyện, tăng hiệu quả nghiên cứu.
  • Nghiên cứu giới hạn trong môi trường kiểm soát và hành động đơn giản, mở ra nhiều hướng phát triển trong tương lai.
  • Khuyến nghị mở rộng dữ liệu, phát triển nhận dạng đa người và tối ưu mô hình cho ứng dụng thực tế.

Tiếp theo, nghiên cứu sẽ tập trung vào mở rộng tập dữ liệu và phát triển mô hình nhận dạng đa người nhằm nâng cao tính ứng dụng trong các hệ thống giám sát thông minh. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng này để thúc đẩy sự phát triển của trí tuệ nhân tạo trong lĩnh vực nhận dạng hành động người.