Phân cụm dữ liệu cho nhận dạng ảnh sử dụng mạng nơ-ron
Tìm hiểu kỹ thuật phân cụm dữ liệu ảnh sử dụng mạng nơ-ron. Khám phá các thuật toán học sâu để tự động hóa việc tổ chức và phân tích hình ảnh.
Phí lưu trữ
30 PointMục lục chi tiết
Tóm tắt
I. Hiểu đúng về Phân cụm dữ liệu ảnh bằng mạng nơ ron
Phân cụm dữ liệu ảnh bằng mạng nơ-ron là một kỹ thuật tiên tiến trong lĩnh vực thị giác máy tính và trí tuệ nhân tạo. Kỹ thuật này thuộc nhóm học không giám sát (unsupervised learning), có mục tiêu tự động nhóm các hình ảnh tương tự vào cùng một cụm mà không cần bất kỳ nhãn dữ liệu nào được gán trước. Trong bối cảnh bùng nổ dữ liệu hình ảnh từ mạng xã hội, thiết bị di động và hệ thống giám sát, khả năng tự động tổ chức và khai phá thông tin từ các bộ sưu tập ảnh khổng lồ trở nên vô cùng quan trọng. Mạng nơ-ron, đặc biệt là các mô hình học sâu, mang lại một giải pháp vượt trội so với các phương pháp truyền thống. Thay vì phân cụm dựa trên các đặc trưng thô như pixel hoặc màu sắc, mạng nơ-ron có khả năng học các biểu diễn ẩn (latent space representation) phức tạp và giàu ngữ nghĩa của hình ảnh. Quá trình này cho phép mô hình nắm bắt được các đặc điểm trừu tượng như hình dạng, kết cấu, và thậm chí cả nội dung của đối tượng trong ảnh. Ví dụ, một mạng nơ-ron có thể tự học cách nhóm tất cả ảnh chứa 'mèo' vào một cụm và ảnh chứa 'chó' vào một cụm khác, dù cho các ảnh này có bối cảnh, góc chụp và điều kiện ánh sáng khác nhau. Luận văn của Bùi Đức Việt (2012) đã đặt nền móng cho việc ứng dụng mạng nơ-ron trong bài toán này, đặc biệt là với Mạng tự tổ chức (SOM), cho thấy tiềm năng to lớn trong việc khám phá cấu trúc tiềm ẩn của dữ liệu. Ngày nay, các kiến trúc hiện đại hơn như mạng nơ-ron tích chập (CNN) và Autoencoder đã đẩy xa hơn nữa hiệu quả của kỹ thuật này.
1.1. Khái niệm cốt lõi của học không giám sát trong ảnh
Học không giám sát là một nhánh của học máy, nơi mô hình phải tự tìm ra các mẫu và cấu trúc trong một tập dữ liệu không có nhãn. Đối với dữ liệu ảnh, điều này có nghĩa là máy tính phải tự 'nhìn' và quyết định xem những bức ảnh nào giống nhau. Quá trình này tương tự như cách con người học bằng quan sát, không cần ai chỉ dẫn cụ thể. Mục tiêu chính của gom cụm ảnh (image clustering) là tối đa hóa sự tương đồng trong cùng một cụm (intra-cluster similarity) và tối thiểu hóa sự tương đồng giữa các cụm khác nhau (inter-cluster similarity). Các phương pháp truyền thống thường gặp khó khăn vì sự tương đồng của ảnh có thể được định nghĩa theo nhiều cách: màu sắc, bố cục, kết cấu, hay đối tượng chính. Học không giám sát với mạng nơ-ron giải quyết vấn đề này bằng cách tự động học một không gian đặc trưng tối ưu, nơi khoảng cách giữa các điểm dữ liệu phản ánh đúng sự tương đồng về mặt ngữ nghĩa.
1.2. Vai trò của phân nhóm hình ảnh trong kỷ nguyên dữ liệu lớn
Trong kỷ nguyên số, hàng tỷ hình ảnh được tạo ra mỗi ngày. Việc phân nhóm hình ảnh tự động đóng vai trò then chốt trong nhiều ứng dụng. Nó cho phép các hệ thống lớn tự động tổ chức thư viện ảnh, giúp người dùng tìm kiếm hình ảnh theo nội dung một cách trực quan mà không cần gõ từ khóa. Trong thương mại điện tử, kỹ thuật này có thể nhóm các sản phẩm tương tự lại với nhau, cải thiện trải nghiệm mua sắm và hệ thống gợi ý. Trong lĩnh vực y tế, phân cụm ảnh y tế có thể giúp các nhà nghiên cứu phát hiện các dạng bệnh lý mới hoặc phân nhóm các tế bào ung thư dựa trên hình thái học. Tóm lại, phân nhóm hình ảnh không chỉ là một bài toán học thuật mà còn là công cụ mạnh mẽ để khai phá tri thức và tạo ra giá trị từ nguồn tài nguyên dữ liệu trực quan khổng lồ.
II. Vượt qua thách thức phân cụm ảnh với dữ liệu phức tạp
Dữ liệu ảnh có những đặc thù riêng biệt gây ra nhiều thách thức cho các thuật toán phân cụm. Thách thức lớn nhất là 'lời nguyền số chiều' (curse of dimensionality). Một bức ảnh có kích thước khiêm tốn 100x100 pixel đã tương ứng với một vector 10,000 chiều (nếu là ảnh xám) hoặc 30,000 chiều (nếu là ảnh màu). Trong không gian nhiều chiều như vậy, khái niệm khoảng cách trở nên vô nghĩa và các thuật toán dựa trên khoảng cách như K-Means hoạt động rất kém hiệu quả. Thêm vào đó, dữ liệu ảnh thường chứa nhiều nhiễu, các biến thể về góc chụp, ánh sáng, và sự phức tạp của bối cảnh. Các phương pháp phân cụm truyền thống, như được đề cập trong tài liệu nghiên cứu, thường chỉ làm việc tốt trên 'các dữ liệu có thuộc tính số' đã được xử lý và có số chiều thấp. Chúng không có khả năng tự trích xuất đặc trưng ảnh (feature extraction) một cách hiệu quả từ dữ liệu pixel thô. Ví dụ, K-Means có thể nhóm các bức ảnh có nền màu xanh lá cây lại với nhau, bất kể đối tượng trong ảnh là một con ếch hay một chiếc lá, vì nó chỉ hoạt động trên không gian màu sắc pixel. Để giải quyết các vấn đề này, cần có một phương pháp có khả năng học các biểu diễn dữ liệu cấp cao, bất biến trước các thay đổi không đáng kể và có khả năng giảm chiều dữ liệu (dimensionality reduction) một cách thông minh. Mạng nơ-ron chính là câu trả lời cho những thách thức này, mở đường cho một thế hệ thuật toán deep clustering mạnh mẽ hơn.
2.1. Hạn chế của thuật toán phân cụm truyền thống K Means
Các thuật toán phân cụm truyền thống như K-Means, phân cụm phân cấp, hay DBSCAN bộc lộ nhiều hạn chế khi áp dụng trực tiếp lên dữ liệu pixel của ảnh. K-Means, được MacQueen đề xuất năm 1967, hoạt động dựa trên khoảng cách Euclidean. Thuật toán này có xu hướng tạo ra các cụm có dạng hình cầu và kích thước tương đương nhau. Tuy nhiên, các nhóm ảnh tương tự trong thực tế hiếm khi tuân theo phân bố này. Hơn nữa, kết quả của K-Means rất nhạy cảm với việc khởi tạo các tâm cụm ban đầu và dễ bị ảnh hưởng bởi các điểm dữ liệu ngoại lai (outliers). Nó cũng không thể xử lý hiệu quả không gian đặc trưng có số chiều quá lớn của ảnh. Việc áp dụng K-Means trực tiếp trên pixel thường dẫn đến kết quả phân cụm dựa trên các đặc điểm bề mặt như màu sắc trung bình hoặc độ sáng, thay vì nội dung ngữ nghĩa của ảnh.
2.2. Vấn đề lời nguyền số chiều trong trích xuất đặc trưng
Lời nguyền số chiều mô tả hiện tượng khi số chiều dữ liệu tăng lên, không gian trở nên cực kỳ thưa thớt và khoảng cách giữa các điểm bất kỳ có xu hướng trở nên bằng nhau. Điều này làm cho các thuật toán dựa trên mật độ hoặc khoảng cách mất đi hiệu quả. Trong trích xuất đặc trưng ảnh, nếu sử dụng các phương pháp thủ công như SIFT, SURF hoặc HOG, các vector đặc trưng tạo ra vẫn có số chiều rất cao. Để một thuật toán phân cụm dữ liệu ảnh hoạt động tốt, bước đầu tiên và quan trọng nhất là phải học được một biểu diễn ẩn có số chiều thấp nhưng vẫn giữ lại được những thông tin quan trọng nhất để phân biệt các nhóm ảnh. Đây chính là điểm mạnh cốt lõi của các phương pháp dựa trên mạng nơ-ron.
III. Cách Mạng nơ ron tích chập CNN trích xuất đặc trưng ảnh
Giải pháp đột phá cho bài toán trích xuất đặc trưng ảnh đến từ Mạng nơ-ron tích chập (CNN - Convolutional Neural Network). Thay vì yêu cầu các chuyên gia thiết kế đặc trưng thủ công, CNN có khả năng tự động học một hệ thống phân cấp các đặc trưng trực tiếp từ dữ liệu pixel. Kiến trúc của CNN được lấy cảm hứng từ hệ thống thị giác của động vật, bao gồm các lớp tích chập (convolutional layers) và các lớp gộp (pooling layers) xen kẽ nhau. Các lớp tích chập đầu tiên học các đặc trưng đơn giản như cạnh, góc và màu sắc. Các lớp sâu hơn sẽ kết hợp những đặc trưng này để học các cấu trúc phức tạp hơn như kết cấu, bộ phận của đối tượng (mắt, mũi, bánh xe), và cuối cùng là toàn bộ đối tượng. Quá trình này tạo ra một biểu diễn ẩn giàu thông tin và cô đọng. Vector đặc trưng cuối cùng, thường được lấy từ lớp kết nối đầy đủ (fully connected layer) ngay trước lớp đầu ra, là một phiên bản đã được giảm chiều dữ liệu một cách thông minh. Vector này không chỉ có số chiều thấp hơn nhiều so với ảnh gốc mà còn mang ý nghĩa ngữ nghĩa cao. Các ảnh có cùng đối tượng sẽ có các vector đặc trưng nằm gần nhau trong không gian này. Do đó, việc sử dụng các vector đặc trưng trích xuất từ CNN làm đầu vào cho các thuật toán phân cụm (như K-Means) thường mang lại kết quả vượt trội so với việc áp dụng trực tiếp trên pixel. Các framework phổ biến như TensorFlow, PyTorch, và Keras cung cấp nhiều mô hình CNN tiền huấn luyện (pre-trained) giúp việc trích xuất đặc trưng trở nên dễ dàng và hiệu quả.
3.1. Kiến trúc Convolutional Neural Network cho thị giác máy tính
Một kiến trúc Convolutional Neural Network điển hình bao gồm ba loại lớp chính. Lớp tích chập sử dụng các bộ lọc (kernels) để quét qua ảnh, phát hiện các mẫu cụ thể. Mỗi bộ lọc chuyên nhận dạng một đặc trưng nhất định. Lớp gộp (thường là Max Pooling) có nhiệm vụ giảm kích thước không gian của các bản đồ đặc trưng, giúp mô hình trở nên bất biến với các dịch chuyển nhỏ và giảm khối lượng tính toán. Cuối cùng, các lớp kết nối đầy đủ sẽ nhận các đặc trưng cấp cao đã được làm phẳng và thực hiện nhiệm vụ phân loại hoặc hồi quy. Trong bài toán phân cụm, chúng ta thường 'cắt' phần cuối của mạng và lấy đầu ra của lớp kết nối đầy đủ cuối cùng làm vector đặc trưng đại diện cho ảnh.
3.2. Quá trình học biểu diễn ẩn latent representation từ ảnh
Quá trình học biểu diễn ẩn là trái tim của các phương pháp học sâu. Mạng nơ-ron không 'nhìn' ảnh theo cách của con người. Nó biến đổi dữ liệu pixel thô, vốn rất khó để phân tách, thành một không gian mới có cấu trúc hơn. Trong không gian này, mỗi chiều có thể tương ứng với một thuộc tính trừu tượng nào đó (ví dụ: 'có lông xù', 'có 4 chân', 'có hình tròn'). Việc học được một không gian biểu diễn ẩn tốt là yếu tố quyết định sự thành công của thuật toán deep clustering. Một biểu diễn tốt sẽ làm cho các cụm dữ liệu trở nên rõ ràng và dễ dàng phân tách bởi ngay cả những thuật toán đơn giản nhất.
IV. Top 3 phương pháp phân cụm ảnh bằng mạng nơ ron hiệu quả
Dựa trên nền tảng trích xuất đặc trưng ảnh bằng CNN, nhiều thuật toán phân cụm học sâu (deep clustering) đã ra đời, kết hợp quá trình học biểu diễn và quá trình phân cụm vào một khung làm việc thống nhất. Các phương pháp này không chỉ dừng lại ở việc trích xuất đặc trưng rồi phân cụm, mà chúng tối ưu hóa đồng thời cả hai quá trình để đạt được kết quả tốt nhất. Một trong những kiến trúc nền tảng và phổ biến nhất là Autoencoder. Đây là một loại mạng nơ-ron được huấn luyện để tái tạo lại đầu vào của chính nó, giúp học được một cách biểu diễn nén hiệu quả tại lớp cổ chai. Một phương pháp tiên tiến hơn là Deep Embedded Clustering (DEC), cải tiến từ Autoencoder bằng cách thêm vào một hàm mất mát cho việc phân cụm, giúp tinh chỉnh bộ mã hóa (encoder) để tạo ra các biểu diễn thân thiện hơn với việc phân cụm. Bên cạnh đó, các phương pháp cổ điển nhưng vẫn còn giá trị như Mạng tự tổ chức (SOM), hay mạng Kohonen, cũng là một công cụ mạnh mẽ. Như được trình bày trong luận văn của Bùi Đức Việt, SOM có khả năng trực quan hóa dữ liệu nhiều chiều trên một bản đồ 2D, giúp con người dễ dàng nhận biết các cụm tự nhiên trong dữ liệu. Mỗi phương pháp có ưu và nhược điểm riêng, phù hợp với các loại dữ liệu và yêu cầu ứng dụng khác nhau. Sự kết hợp giữa các ý tưởng này đang tạo ra những thuật toán ngày càng mạnh mẽ và chính xác hơn.
4.1. Kỹ thuật Autoencoder cho giảm chiều dữ liệu và phân nhóm
Một Autoencoder (AE) là một mạng nơ-ron không giám sát gồm hai phần: bộ mã hóa (encoder) và bộ giải mã (decoder). Bộ mã hóa nhận ảnh đầu vào và nén nó thành một vector đặc trưng có số chiều thấp, đây chính là quá trình giảm chiều dữ liệu. Bộ giải mã sau đó nhận vector này và cố gắng tái tạo lại ảnh gốc. Bằng cách huấn luyện mạng tối thiểu hóa sai số giữa ảnh gốc và ảnh tái tạo, bộ mã hóa buộc phải học cách giữ lại những thông tin quan trọng nhất trong vector đặc trưng. Sau khi huấn luyện, chỉ cần sử dụng bộ mã hóa để chuyển đổi toàn bộ tập dữ liệu ảnh thành các vector đặc trưng. Các vector này sau đó có thể được phân nhóm hiệu quả bằng K-Means hoặc các thuật toán khác. Một biến thể mạnh mẽ là Variational Autoencoder (VAE), giúp không gian ẩn trở nên mượt mà và có cấu trúc hơn.
4.2. Mô hình Deep Embedded Clustering DEC Tối ưu đồng thời
Mô hình Deep Embedded Clustering (DEC) đi một bước xa hơn so với phương pháp hai giai đoạn của Autoencoder. DEC đề xuất một cơ chế tối ưu đồng thời. Đầu tiên, một Autoencoder được huấn luyện trước để khởi tạo. Sau đó, mô hình định nghĩa một hàm mất mát mới, đo lường sự khác biệt giữa phân bố xác suất của các điểm dữ liệu thuộc về các cụm và một phân bố mục tiêu. Bằng cách tối ưu hóa đồng thời hàm mất mát tái tạo của Autoencoder và hàm mất mát phân cụm này, mô hình sẽ tinh chỉnh các trọng số của bộ mã hóa sao cho không gian đặc trưng tạo ra không chỉ tốt cho việc tái tạo mà còn lý tưởng cho việc phân tách các cụm. Kết quả là các cụm trở nên cô đọng và tách biệt rõ ràng hơn.
4.3. Mạng tự tổ chức SOM Trực quan hóa cấu trúc dữ liệu
Mạng Kohonen, hay Self-Organizing Maps (SOM), là một loại mạng nơ-ron đặc biệt cho học không giám sát và trực quan hóa. SOM chiếu dữ liệu từ không gian nhiều chiều xuống một lưới nơ-ron (thường là 2D). Trong quá trình huấn luyện, các nơ-ron trên lưới sẽ cạnh tranh để trở thành 'nơron chiến thắng' (Best Matching Unit - BMU) cho một mẫu đầu vào. Nơron chiến thắng và các nơron lân cận của nó sẽ cập nhật trọng số để trở nên giống với mẫu đầu vào hơn. Kết quả là một bản đồ topo nơi các mẫu dữ liệu tương tự được ánh xạ vào các vùng gần nhau trên lưới. Phương pháp này rất hiệu quả trong việc khám phá và trực quan hóa cấu trúc của dữ liệu, như đã được nghiên cứu ứng dụng cho phân cụm màu trên ảnh trong tài liệu gốc. Mặc dù không phải là một mô hình học sâu theo nghĩa hiện đại, SOM vẫn là một công cụ phân tích dữ liệu mạnh mẽ.
V. Ứng dụng thực tiễn của Phân cụm dữ liệu ảnh trong ngành
Khả năng tự động tổ chức và tìm kiếm mẫu trong dữ liệu ảnh phi cấu trúc đã mở ra vô số ứng dụng thực tiễn giá trị. Các thuật toán phân cụm dữ liệu ảnh bằng mạng nơ-ron không còn là những khái niệm lý thuyết mà đã và đang được triển khai trong nhiều ngành công nghiệp. Trong y sinh, các mô hình deep clustering giúp các nhà nghiên cứu phân loại hàng triệu hình ảnh tế bào, tự động phát hiện các kiểu hình thái bất thường, và đẩy nhanh quá trình khám phá thuốc. Kỹ thuật phân cụm ảnh y tế có thể nhóm các ảnh X-quang hoặc MRI có cùng dấu hiệu bệnh lý, hỗ trợ bác sĩ trong việc chẩn đoán sớm và chính xác hơn. Trong lĩnh vực thương mại điện tử và bán lẻ, phân cụm được sử dụng để phân tích hành vi khách hàng qua hình ảnh sản phẩm họ xem, tạo ra các hệ thống gợi ý sản phẩm trực quan và cá nhân hóa. Nó cũng được dùng cho việc nhận dạng đối tượng không giám sát trong quản lý kho hàng, tự động nhóm các sản phẩm giống nhau mà không cần mã vạch. Các công ty công nghệ lớn sử dụng kỹ thuật này để tự động tạo album ảnh theo sự kiện hoặc địa điểm, cải thiện trải nghiệm người dùng. Trong an ninh và giám sát, phân cụm giúp phát hiện các hành vi bất thường bằng cách nhóm các hoạt động thông thường lại và xác định các hoạt động nằm ngoài các cụm này là ngoại lai. Những ứng dụng này chỉ là bề nổi, cho thấy tiềm năng to lớn của việc khai phá tri thức từ dữ liệu hình ảnh.
5.1. Phân cụm ảnh y tế Hỗ trợ chẩn đoán và nghiên cứu
Lĩnh vực y tế đang tạo ra một lượng khổng lồ dữ liệu hình ảnh, từ ảnh hiển vi, X-quang, CT scan, đến MRI. Việc phân cụm ảnh y tế giúp tự động hóa quá trình phân tích tốn nhiều công sức này. Ví dụ, một mô hình có thể phân cụm các ảnh mô bệnh học thành các nhóm tương ứng với các giai đoạn khác nhau của bệnh ung thư, giúp các nhà nghiên cứu xác định các dấu hiệu sinh học mới. Trong chẩn đoán, nó có thể nhóm các ảnh võng mạc của bệnh nhân tiểu đường để xác định các mức độ nghiêm trọng của bệnh. Bằng cách này, phân cụm ảnh không chỉ tiết kiệm thời gian cho các chuyên gia y tế mà còn cung cấp những hiểu biết khách quan, dựa trên dữ liệu, có thể dẫn đến những đột phá trong y học.
5.2. Nhận dạng đối tượng không giám sát trong bán lẻ và an ninh
Trong nhiều kịch bản, việc thu thập và gán nhãn cho tất cả các đối tượng là không khả thi. Nhận dạng đối tượng không giám sát là một giải pháp hiệu quả. Trong bán lẻ, hệ thống camera có thể tự động phân cụm hình ảnh các sản phẩm trên kệ. Khi một cụm mới xuất hiện hoặc một cụm hiện có thay đổi đáng kể, hệ thống có thể cảnh báo về tình trạng hết hàng hoặc sắp xếp sai sản phẩm. Trong lĩnh vực an ninh, phân cụm các luồng video từ camera giám sát có thể giúp xác định các mẫu hành vi. Các hoạt động thường ngày (người đi bộ, xe cộ di chuyển) sẽ tạo thành các cụm lớn. Bất kỳ hoạt động nào không thuộc về các cụm này, chẳng hạn như một chiếc túi bị bỏ lại, sẽ được xác định là một sự kiện bất thường cần được chú ý.
VI. Tương lai của Phân cụm dữ liệu ảnh và các hướng đi mới
Lĩnh vực phân cụm dữ liệu ảnh bằng mạng nơ-ron đang phát triển không ngừng, hứa hẹn những đột phá mới trong tương lai. Một trong những hướng đi chính là cải thiện khả năng học biểu diễn. Các kỹ thuật học tự giám sát (self-supervised learning) đang cho thấy tiềm năng to lớn, nơi mô hình học các đặc trưng mạnh mẽ bằng cách giải các bài toán tự tạo ra từ chính dữ liệu (ví dụ: dự đoán một phần bị che của ảnh). Những biểu diễn học được theo cách này thường tổng quát và hiệu quả hơn cho các tác vụ xuôi dòng như phân cụm. Một hướng khác là khám phá các kiến trúc mạng nơ-ron phức tạp hơn, có khả năng xử lý các mối quan hệ không chỉ giữa các ảnh mà còn giữa các đối tượng bên trong ảnh. Việc tích hợp các cơ chế chú ý (attention mechanisms) có thể giúp mô hình tập trung vào các vùng ảnh quan trọng nhất để đưa ra quyết định phân cụm. Hơn nữa, sự phát triển của các mô hình ngôn ngữ-thị giác lớn (Large Vision-Language Models) mở ra khả năng phân cụm đa phương thức, nơi các nhóm ảnh không chỉ được xác định bởi sự tương đồng về hình ảnh mà còn được mô tả bằng ngôn ngữ tự nhiên. Cuối cùng, việc phát triển các thuật toán deep clustering có khả năng mở rộng để xử lý các tập dữ liệu quy mô hàng tỷ ảnh một cách hiệu quả vẫn là một thách thức lớn và là một lĩnh vực nghiên cứu tích cực. Tương lai của ngành này nằm ở việc xây dựng các hệ thống thông minh hơn, tự động hơn và có khả năng diễn giải tốt hơn.
6.1. Tóm lược các kỹ thuật deep clustering nổi bật
Nhìn lại, các kỹ thuật deep clustering đã có những bước tiến vượt bậc. Từ cách tiếp cận hai giai đoạn sử dụng CNN để trích xuất đặc trưng và sau đó dùng K-Means, chúng ta đã tiến tới các mô hình tối ưu end-to-end như Deep Embedded Clustering (DEC). Các kiến trúc dựa trên Autoencoder và VAE đã chứng tỏ hiệu quả trong việc học các không gian biểu diễn ẩn cô đọng. Trong khi đó, các phương pháp cổ điển như Mạng tự tổ chức (SOM) vẫn giữ vai trò quan trọng trong việc trực quan hóa và phân tích khám phá dữ liệu. Sự đa dạng của các phương pháp này cho thấy không có một giải pháp duy nhất cho mọi bài toán, và việc lựa chọn kỹ thuật phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu cụ thể của ứng dụng.
6.2. Hướng phát triển Tích hợp học tự giám sát và mô hình lớn
Tương lai của phân cụm dữ liệu ảnh sẽ gắn liền với hai xu hướng lớn: học tự giám sát (self-supervised learning) và các mô hình nền tảng (foundation models). Học tự giám sát cho phép các mô hình học được các đặc trưng cực kỳ mạnh mẽ từ dữ liệu không nhãn, vượt qua giới hạn của các phương pháp không giám sát truyền thống. Các mô hình như SimCLR, MoCo đã đạt được kết quả ấn tượng. Tích hợp các bộ mã hóa được huấn luyện bằng phương pháp này vào các thuật toán deep clustering là một hướng đi đầy hứa hẹn. Song song đó, các mô hình thị giác lớn, được huấn luyện trên dữ liệu web-scale, có thể cung cấp các đặc trưng 'zero-shot' chất lượng cao, giúp phân cụm hiệu quả ngay cả trên các lĩnh vực dữ liệu mới mà không cần huấn luyện lại từ đầu.
22/09/2025
