Tổng quan nghiên cứu

Thị giác máy tính và phân đoạn ảnh ngữ nghĩa (Semantic Image Segmentation) đóng vai trò nền tảng trong sự phát triển của hệ thống xe tự hành và giám sát giao thông thông minh. Trong điều kiện ban ngày, các mô hình học sâu tiên tiến đã đạt độ chính xác giao thoa trên hội (mIoU) vượt mốc 80.2% trên các bộ dữ liệu đô thị chuẩn mực. Tuy nhiên, theo các thống kê giao thông quốc tế, hơn 50% số vụ tai nạn nghiêm trọng xảy ra vào ban đêm dù lưu lượng phương tiện giảm đáng kể, đặt ra yêu cầu cấp thiết về việc nâng cao năng lực thị giác máy tính trong bóng tối. Vấn đề nghiên cứu cốt lõi mà đề tài giải quyết là sự suy giảm nghiêm trọng độ chính xác của các mô hình phân đoạn ảnh khi vận hành trong điều kiện ban đêm do ánh sáng yếu, nhiễu chói từ đèn pha và sự thiếu hụt trầm trọng các tập dữ liệu ban đêm được gán nhãn mức pixel.

Mục tiêu cụ thể của luận văn là xây dựng một khung kiến trúc toàn diện ứng dụng kỹ thuật thích nghi miền (Domain Adaptation), kết hợp mạng đối nghịch tạo sinh (Generative Adversarial Networks - GAN) và chiến lược tự huấn luyện (Self-training) để thực hiện phân đoạn ảnh đường phố ban đêm mà không cần gán nhãn thủ công tốn kém. Nghiên cứu được triển khai thực nghiệm tại Phòng thí nghiệm Truyền thông Đa phương tiện thuộc Trường Đại học Công nghệ Thông tin, Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn 2020 đến 2021. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc thu hẹp khoảng cách phân phối giữa 5.000 ảnh ban ngày chuẩn Cityscapes và hơn 15.000 ảnh ban đêm thực tế, nâng cao độ chính xác mIoU trên tập kiểm thử Nighttime Driving và cung cấp giải pháp an toàn hiệu quả cho các hệ thống hỗ trợ lái xe nâng cao (ADAS).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên hai trục lý thuyết trọng tâm: lý thuyết phân đoạn ảnh ngữ nghĩa cấp độ pixel và lý thuyết thích nghi miền thông qua học đối nghịch. Khung kiến trúc phân đoạn kế thừa nguyên lý từ các mạng nơ-ron tích chập hoàn toàn (FCN), mạng tách tích chập (DeconvNet), cấu trúc đa nhánh RefineNet và đặc biệt là kiến trúc kim tự tháp tính năng toàn cảnh (Panoptic Feature Pyramid Networks - Panoptic FPN) với mạng nền tảng ResNet-101. Mô hình tận dụng kỹ thuật tích chập giãn nở (Atrous Convolution) và mô-đun gộp không gian kim tự tháp giãn nở (ASPP) từ dòng mô hình Google DeepLab nhằm mở rộng trường tiếp nhận mà không làm gia tăng tham số tính toán.

Trong trục thích nghi miền, lý thuyết mạng đối nghịch tạo sinh CycleGAN và Pix2Pix được vận dụng để chuyển dịch dữ liệu giữa miền nguồn ban ngày và miền đích ban đêm. Để khắc phục hiện tượng méo mó hình học và mất mát cấu trúc vật thể, nghiên cứu tích hợp lý thuyết hàm mất mát cảm nhận (Perceptual Loss) dựa trên mạng trích xuất đặc trưng VGG. Bốn khái niệm học thuật then chốt xuyên suốt đề tài bao gồm: Phân đoạn ngữ nghĩa pixel-wise, Chuyển đổi miền ảnh (Image-to-Image Translation), Chiến lược tự huấn luyện sinh nhãn giả (Pseudo-label Self-training) và Khoảng cách khởi tạo Fréchet (Fréchet Inception Distance - FID) dùng để đo lường độ tương đồng phân phối dữ liệu.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm bao gồm tập dữ liệu chuẩn Cityscapes với 5.000 ảnh đường phố ban ngày có độ phân giải cao được gán nhãn pixel chi tiết, tập dữ liệu đường phố ban đêm NEXET chứa khoảng 15.000 ảnh chụp thực tế chưa gán nhãn, tập dữ liệu CamVid gồm 701 ảnh dùng để kiểm chứng bổ trợ, cùng tập kiểm thử chuyên biệt Nighttime Driving.

Về phương pháp chọn mẫu, tác giả áp dụng hai kỹ thuật chính: lọc theo biểu đồ tần số sáng (Histogram-based method) và lọc theo khoảng cách đặc trưng phân bố FID (FID-based method) để trích xuất cỡ mẫu tối ưu gồm 1.600 ảnh ban đêm có độ tương đồng cao nhất từ kho 15.000 ảnh NEXET.

Lý do lựa chọn phương pháp phân tích này xuất phát từ thực tế là việc gán nhãn ảnh ban đêm thủ công đòi hỏi chi phí khổng lồ và dễ sai sót do bóng tối che khuất ranh giới đối tượng. Phương pháp tiếp cận kết hợp chuyển đổi miền ảnh qua GAN có kiểm soát bằng Perceptual Loss cùng kỹ thuật Self-training cho phép tận dụng triệt để nguồn dữ liệu dồi dào ban ngày để suy diễn trên miền đêm. Đồng thời, việc ứng dụng hàm mất mát Focal Loss kết hợp Cross-Entropy Loss giải quyết triệt để vấn đề mất cân bằng giữa các lớp điểm ảnh dễ nhận diện (mặt đường, bầu trời) và các lớp điểm ảnh khó (người đi bộ, biển báo nhỏ). Quy trình nghiên cứu được thực hiện tuần tự qua 8 chuỗi thực nghiệm chuyên sâu trong suốt 12 tháng nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình đánh giá thực nghiệm đa giai đoạn đã mang lại bốn phát hiện khoa học mang tính đột phá:

Thứ nhất, việc bổ sung hàm mất mát cảm nhận (Perceptual Loss) vào mô-đun GAN Day-to-Night đã khắc phục hoàn toàn lỗi định vị sai nguồn sáng và hiện tượng biến dạng ranh giới phương tiện (vốn xuất hiện rõ rệt tại chu kỳ huấn luyện 280.000 iterations của CycleGAN thông thường), bảo toàn trọn vẹn đặc trưng biên của vật thể trong quá trình chuyển đổi miền.

Thứ hai, phương pháp chọn lọc 1.600 ảnh ban đêm không nhãn bằng chỉ số FID mang lại hiệu quả vượt trội so với phương pháp Histogram truyền thống, giúp mô hình tự huấn luyện tạo ra nhãn giả (pseudo-labels) có độ chính xác cao hơn, cải thiện chỉ số phân đoạn mIoU tổng thể thêm khoảng 15% trên các tập dữ liệu kiểm thử khó.

Thứ ba, sự kết hợp giữa hàm mất mát Cross-Entropy và Focal Loss trong mô hình phân đoạn Panoptic FPN ResNet-101 đã nâng cao khả năng nhận diện các đối tượng có kích thước nhỏ và ranh giới bị mờ trong bóng tối, giúp điểm mIoU của các nhóm đối tượng người đi bộ, xe đạp và biển báo giao thông tăng trưởng rõ rệt so với mô hình chỉ dùng Cross-Entropy đơn thuần.

Thứ tư, việc phân tích kỹ thuật tích chập tách biệt (Separable Convolution) cho thấy khả năng cắt giảm đến 22 lần số lượng tham số (từ 19.200 tham số của tích chập chuẩn xuống còn 843 tham số) và giảm khối lượng tính toán từ 1.228.800 phép nhân xuống còn 53.952 phép tính, đảm bảo tốc độ dự đoán đạt mức 175ms trên các tác vụ xử lý khung hình.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến thành công của khung kiến trúc là sự triệt tiêu khoảng cách miền biểu diễn (domain shift) thông qua mô hình tạo sinh có kiểm soát, kết hợp với cơ chế tự củng cố tri thức của Self-training trên dữ liệu thực tế. Khi so sánh với các nghiên cứu trước đây như FCNs nguyên bản vốn chỉ đạt hiệu năng phân đoạn thô hay DeconvNet đạt 72.5% mIoU trên PASCAL VOC 2012 nhưng gặp lỗi phân đoạn quá mức (over-segmentation) đối với các đối tượng kích thước lớn, mô hình đề xuất trong luận văn duy trì được tính nhất quán không gian và độ sắc nét đường biên ngay cả trong bóng tối sâu.

Toàn bộ dữ liệu định lượng của nghiên cứu được trình bày chi tiết thông qua hệ thống bảng so sánh đối chuẩn qua 8 bước thử nghiệm (từ Experiment-1 đến Experiment-8) và các biểu đồ nhiệt trực quan hóa vùng kích hoạt đặc trưng. Biểu đồ đường thể hiện tiến trình suy giảm hàm mất mát qua từng epoch chứng minh tốc độ hội tụ nhanh và ổn định của mô hình kết hợp, trong khi đồ thị cột so sánh mIoU giữa 19 lớp đối tượng đô thị khẳng định tính ưu việt của giải pháp tích hợp Perceptual Loss và FID-based data selection.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất bốn giải pháp khả thi nhằm ứng dụng và mở rộng công nghệ:

Thứ nhất, tích hợp ngay module chuyển đổi miền ảnh có kiểm soát Perceptual Loss vào quy trình xử lý tín hiệu của camera giám sát giao thông ban đêm, hướng đến mục tiêu giảm 25% tỷ lệ nhận diện sai phương tiện trong vòng 6 tháng tới, do các kỹ sư phần mềm thị giác máy tính tại các trung tâm điều hành giao thông đô thị chủ trì triển khai.

Thứ tư, chuẩn hóa quy trình lọc dữ liệu tự động bằng chỉ số FID để xây dựng bộ dữ liệu mở rộng với quy mô 50.000 ảnh đường phố ban đêm tại các đô thị Việt Nam trong lộ trình 12 đến 18 tháng, do các nhóm nghiên cứu tại các trường đại học và viện công nghệ thực hiện.

Thứ ba, ứng dụng hàm mất mát kết hợp Focal Loss và Cross-Entropy vào các kiến trúc mạng nơ-ron biên (Edge AI) trên xe tự hành, đặt mục tiêu tăng 20% độ nhạy phát hiện người đi bộ trong điều kiện ánh sáng dưới 10 lux trước quý 3 năm tới, do các doanh nghiệp sản xuất ô tô thông minh phụ trách.

Thứ hai, phát triển framework tự học liên tục (Continual Self-training) có cơ chế tự lọc nhiễu nhãn giả để triển khai trên các thiết bị nhúng trước năm 2025, dưới sự phối hợp giữa các chuyên gia trí tuệ nhân tạo và kỹ sư phần cứng giao thông thông minh.

Đối tượng nên tham khảo luận văn

Nội dung và đóng góp học thuật của luận văn mang lại giá trị thiết thực cho bốn nhóm đối tượng chính:

Nhóm thứ nhất là các kỹ sư phát triển phần mềm xe tự hành và hệ thống ADAS, những người cần giải pháp thị giác máy tính hoạt động ổn định 24/7; use case cụ thể là tích hợp trực tiếp khung phân đoạn ảnh thích nghi miền vào hệ thống camera hành trình để nhận diện chướng ngại vật ban đêm theo thời gian thực.

Nhóm thứ hai là các nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo và Thị giác máy tính, những người tìm kiếm phương pháp luận kết hợp GAN, Perceptual Loss và Self-training; use case là mở rộng kỹ thuật chuyển đổi miền sang các lĩnh vực chẩn đoán hình ảnh y tế (như phân đoạn khối u trên ảnh MRI) hoặc viễn thám vệ tinh.

Nhóm thứ ba là các kỹ sư dữ liệu AI (Data Engineers), những người đối mặt với bài toán thiếu hụt dữ liệu gán nhãn; use case là ứng dụng kỹ thuật chọn mẫu bằng chỉ số FID để tự động xây dựng pipeline sinh nhãn giả quy mô lớn cho hàng triệu ảnh thô.

Nhóm thứ tư là giảng viên, học viên cao học và sinh viên ngành Khoa học máy tính, những người cần tài liệu tham khảo chuyên sâu; use case là sử dụng luận văn làm tài liệu học tập chuẩn mực về kiến trúc mạng CNN, kỹ thuật giải quyết mất cân bằng dữ liệu và tối ưu hóa hàm mất mát.

Câu hỏi thường gặp

Tại sao không thể áp dụng trực tiếp mô hình phân đoạn ảnh ban ngày cho ảnh chụp ban đêm? Trong thực tế, điều kiện ban đêm làm thay đổi hoàn toàn phân phối giá trị pixel do ánh sáng yếu, bóng tối và hiện tượng lóa sáng từ đèn pha, khiến các mô hình huấn luyện trên dữ liệu ban ngày bị suy giảm độ chính xác mIoU nghiêm trọng do hiện tượng lệch miền dữ liệu (domain shift).

Hàm mất mát cảm nhận (Perceptual Loss) đóng vai trò gì trong module chuyển đổi ảnh GAN? Perceptual Loss trích xuất các đặc trưng không gian từ các tầng sâu của mạng nơ-ron để so sánh cấu trúc ngữ nghĩa giữa ảnh gốc và ảnh chuyển đổi, ngăn chặn hiện tượng biến dạng vật thể và đảm bảo đèn xe, người đi bộ giữ nguyên vị trí hình học chính xác sau khi chuyển đổi miền.

Phương pháp chọn lọc dữ liệu bằng chỉ số FID có ưu điểm gì vượt trội so với Histogram? Phương pháp Histogram chỉ so sánh phân bố cường độ sáng đơn giản ở mức điểm ảnh, trong khi chỉ số FID đo lường khoảng cách phân phối đặc trưng đa chiều của tập dữ liệu, giúp chọn ra 1.600 ảnh ban đêm có độ tương đồng ngữ nghĩa sâu sắc nhất với tập dữ liệu đích.

Tại sao cần kết hợp cả Cross-Entropy Loss và Focal Loss trong mô hình phân đoạn? Cross-Entropy Loss đảm bảo tốc độ hội tụ tổng thể trên toàn bộ bức ảnh, trong khi Focal Loss tập trung đánh trọng số cao vào các điểm ảnh khó nhận diện (như ranh giới vật thể mờ hoặc đối tượng nhỏ), giúp giải quyết triệt để tình trạng mất cân bằng dữ liệu giữa các lớp.

Khung kiến trúc đề xuất có thể áp dụng cho các điều kiện thời tiết bất lợi khác không? Khung kiến trúc thích nghi miền hoàn toàn có thể mở rộng cho các điều kiện thời tiết khắc nghiệt như mưa bão, sương mù dày đặc hoặc bão tuyết bằng cách thay thế tập dữ liệu huấn luyện miền đích tương ứng mà không cần thay đổi cấu trúc nền tảng.

Kết luận

Luận văn đã giải quyết trọn vẹn bài toán phân đoạn ảnh ngữ nghĩa trong bóng tối thông qua những đóng góp khoa học nổi bật:

  • Xây dựng thành công khung kiến trúc toàn diện kết hợp Domain Adaptation, Generative Adversarial Networks và Self-training cho bài toán phân đoạn ảnh ban đêm.
  • Giải quyết triệt để tình trạng khan hiếm dữ liệu gán nhãn bằng phương pháp chuyển đổi miền ảnh ngày sang đêm có kiểm soát cấu trúc qua Perceptual Loss.
  • Đề xuất chiến lược tự huấn luyện tối ưu với phương pháp chọn lọc dữ liệu không nhãn bằng chỉ số FID và hàm mất mát kết hợp Cross-Entropy cùng Focal Loss.
  • Đạt bước tiến vượt bậc về độ chính xác phân đoạn mIoU trên tập kiểm thử Nighttime Driving, vượt trội so với các mô hình đường cơ sở truyền thống.
  • Cung cấp cơ sở lý thuyết và giải pháp kỹ thuật có tính ứng dụng cao cho ngành công nghiệp xe tự hành và giao thông thông minh trong tương lai.

Đóng góp lớn nhất của công trình là chứng minh tính khả thi của việc khai thác dữ liệu sẵn có ban ngày để huấn luyện mô hình nhận thức ban đêm đạt độ chính xác cao mà không tốn chi phí gán nhãn thủ công. Kế hoạch nghiên cứu tiếp theo sẽ tập trung vào việc tối ưu hóa mô hình để nhúng trực tiếp lên các chip xử lý biên thời gian thực và mở rộng sang tác vụ phân đoạn cá thể (Instance Segmentation) trong vòng 12 tháng tới. Hãy liên hệ và kết nối với nhóm nghiên cứu tại Phòng thí nghiệm MMLab-UIT để cùng hợp tác, chuyển giao công nghệ và phát triển các ứng dụng thị giác máy tính tiên tiến vì một tương lai giao thông an toàn và thông minh hơn.