Tổng quan nghiên cứu

Sự bùng nổ của kỷ nguyên số và mạng Internet đã thúc đẩy sự gia tăng vượt bậc của dữ liệu đa phương tiện kỹ thuật số. Thống kê từ WordStream cho thấy trung bình mỗi ngày có khoảng 8.95 triệu hình ảnh và video được chia sẻ trên nền tảng Instagram, mỗi người dùng tạo ra tối thiểu 1.000 bức ảnh hàng năm và toàn cầu ghi nhận hơn 1 nghìn tỷ hình ảnh mới được sinh ra mỗi năm. Thực trạng này đặt ra thách thức vô cùng lớn cho các hệ thống quản lý, tra cứu và khai thác thông tin hình ảnh đa phương tiện.

Các kỹ thuật truyền thống như tìm kiếm ảnh dựa trên văn bản đi kèm (Text-Based Image Retrieval - TBIR) hay tìm kiếm ảnh dựa trên nội dung trực quan (Content-Based Image Retrieval - CBIR) bộc lộ nhiều điểm nghẽn nghiêm trọng. TBIR phụ thuộc chặt chẽ vào siêu dữ liệu (metadata) do con người gán nhãn, dẫn đến tình trạng sai lệch hoặc không thể xử lý những truy vấn nhập nhằng (ví dụ: từ khóa "Apple" dễ trả về biểu trưng thương hiệu thay vì loại quả). Trong khi đó, CBIR chỉ khai thác các đặc trưng mức thấp như màu sắc RGB, kết cấu dạng texel hoặc đường biên hình học, tạo ra "khoảng cách ngữ nghĩa" (semantic gap) lớn giữa thuộc tính vật lý và nhận thức thực tế của con người.

Nhằm giải quyết triệt để bài toán trên, luận văn thạc sĩ chuyên ngành Công nghệ thông tin của tác giả Trương Hữu Chiến, dưới sự hướng dẫn khoa học của Tiến sĩ Văn Thế Thành tại Trường Đại học Bà Rịa - Vũng Tàu vào năm 2020, đã đề xuất giải pháp: Phân lớp ngữ nghĩa hình ảnh dựa trên mạng nơ-ron tích chập (CNN) kết hợp bản thể học miền (Domain Ontology). Mục tiêu trọng tâm của nghiên cứu là tự động hóa quá trình trích xuất đặc trưng hình ảnh bằng học sâu, ánh xạ dữ liệu trực quan vào không gian tri thức ngữ nghĩa và xây dựng hệ thống truy vấn ảnh ngữ nghĩa (SIR) có khả năng nâng cao độ chính xác truy xuất từ 15% đến 20% so với phương pháp cổ điển, phục vụ thiết thực cho các hệ thống y tế số, giao thông thông minh và nông nghiệp công nghệ cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên sự giao thoa giữa hai trụ cột công nghệ then chốt của Cách mạng Công nghiệp 4.0: Học sâu (Deep Learning) và Công nghệ Web ngữ nghĩa (Semantic Web).

  • Mạng nơ-ron tích chập (Convolutional Neural Networks - CNN): Mô phỏng cơ chế thị giác của vỏ não sinh học, mạng CNN sử dụng các lớp tích chập (Convolutional Layer) với các bộ lọc trượt (kernel) có kích thước 3x3 hoặc 5x5 để tự động trích xuất các đặc trưng không gian đa cấp độ. Lớp tích chập kết hợp hàm kích hoạt phi tuyến ReLU triệt tiêu các giá trị âm nhằm tăng tốc độ huấn luyện. Lớp lấy mẫu cực đại (Max Pooling) với kích thước cửa sổ 2x2 và bước nhảy bằng 2 giúp giảm số lượng chiều dữ liệu mà vẫn bảo toàn đặc trưng nổi bật. Cuối cùng, các lớp kết nối đầy đủ (Fully Connected Layer) kết hợp hàm truyền SoftMax thực hiện phân phối xác suất để phân loại các thực thể ảnh.
  • Kỹ nghệ tri thức và Bản thể học (Domain Ontology): Ontology đóng vai trò mô hình hóa tri thức, định nghĩa rõ ràng các khái niệm, thuộc tính và mối quan hệ thứ bậc giữa các thực thể hình ảnh. Hệ thống sử dụng khung mô tả tài nguyên RDF, ngôn ngữ bản thể học OWL và ngôn ngữ truy vấn SPARQL để xây dựng cấu trúc quan hệ ngữ nghĩa chặt chẽ, giúp máy tính có khả năng suy luận logic thay vì chỉ so khớp từ khóa bề mặt thô sơ.
  • Các khái niệm cốt lõi: Luận văn làm sáng tỏ khái niệm khoảng cách ngữ nghĩa (semantic gap), bản đồ đặc trưng (feature map) và kỹ thuật ngắt kết nối ngẫu nhiên (Dropout) nhằm loại trừ hiện tượng quá khớp (overfitting) trong quá trình huấn luyện mạng nơ-ron.

Phương pháp nghiên cứu

Nghiên cứu triển khai phương pháp thực nghiệm kết hợp mô hình hóa tri thức với quy trình khoa học chuẩn mực:

  • Nguồn dữ liệu và Cỡ mẫu: Tập dữ liệu nghiên cứu bao gồm hơn 2.000 hình ảnh kỹ thuật số chất lượng cao được trích xuất từ kho dữ liệu chuẩn quốc tế ImageNet (thuộc cuộc thi thử thách nhận biết hình ảnh quy mô lớn ILSVRC). Dữ liệu bao trùm các chủ đề thực thể đa dạng như nhóm động vật (ngựa vằn, chó cảnh, khỉ) và nhóm thực vật (hoa hồng, cây cảnh).
  • Phương pháp chọn mẫu: Luận văn sử dụng phương pháp chọn mẫu phân tầng có chủ đích nhằm đảm bảo sự cân bằng về tỷ lệ giữa các lớp thực thể, đồng thời bao phủ đầy đủ các biến thể về góc chụp, ánh sáng và bối cảnh không gian.
  • Phương pháp phân tích và Huấn luyện: Nghiên cứu kế thừa và tinh chỉnh kiến trúc mạng AlexNet (gồm 5 lớp tích chập và 3 lớp fully-connected với hơn 60 triệu tham số huấn luyện song song). Việc lựa chọn AlexNet kết hợp công cụ Protégé để phát triển Domain Ontology được xem là giải pháp tối ưu, bởi mạng cho phép trích chọn tự động các đặc trưng phức tạp ở mức trừu tượng cao, trong khi hệ thống SPARQL Endpoint hỗ trợ phân giải và suy diễn câu truy vấn ngữ nghĩa một cách tức thời và chính xác. Toàn bộ quá trình nghiên cứu và thực nghiệm được tiến hành trong giai đoạn từ năm 2018 đến năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa mô hình đề xuất và các phương pháp truyền thống đã ghi nhận những kết quả nổi bật sau:

  • Hiệu năng phân lớp vượt trội của mô hình CNN: Mô hình AlexNet tinh chỉnh đạt độ chính xác phân loại tổng thể vượt mốc 89.5%, trong đó chỉ số độ chuẩn xác (Precision) của các chủ đề cụ thể như nhận dạng hoa hồng đạt 92.4% và động vật đạt 88.7%. So với các phương pháp trích chọn đặc trưng thủ công như SIFT hay HOG, mô hình giúp giảm thiểu hơn 14% tỷ lệ phân lớp nhầm lẫn.
  • Tối ưu hóa quá trình huấn luyện bằng kỹ thuật Dropout: Khi thay đổi tỷ lệ ngắt kết nối Dropout từ 0.2 lên 0.5 (tương đương 50% số lượng nơ-ron bị vô hiệu hóa ngẫu nhiên trong mỗi chu kỳ lan truyền ngược), tỷ lệ lỗi huấn luyện của toàn hệ thống đã giảm mạnh từ 18.5% xuống chỉ còn xấp xỉ 8.2%, triệt tiêu hoàn toàn hiện tượng quá khớp trên tập kiểm thử.
  • Tác động của kích thước lô (Batch size): Khảo sát thực nghiệm với các kích thước lô 16, 32 và 64 cho thấy mức Batch size bằng 32 mang lại sự cân bằng tối ưu nhất. Thời gian huấn luyện mỗi epoch giảm khoảng 25% so với Batch size 16, đồng thời sai số mất mát hội tụ ổn định hơn 12% so với khi sử dụng Batch size 64.
  • Nâng cao năng lực truy xuất ảnh theo ngữ nghĩa (SIR): Việc kết hợp bản thể học miền và ngôn ngữ truy vấn SPARQL giúp hệ thống đạt độ khớp ngữ nghĩa lên đến 95.8%. Khi người dùng nhập từ khóa trừu tượng như "Animal", hệ thống không chỉ trả về các ảnh được gán nhãn trùng khớp mà còn tự động suy diễn và truy hồi chính xác 100% các lớp con có quan hệ kế thừa như "Dog", "Zebra" và "Monkey".

Thảo luận kết quả

Hiệu quả vượt bậc của mô hình bắt nguồn từ khả năng trích xuất phân tầng đặc trưng của các lớp tích chập sâu. Ở các lớp ban đầu, bộ lọc nhận diện các đường biên và góc cạnh cơ bản; càng đi sâu vào các lớp sau, bản đồ đặc trưng (feature map) mã hóa các khái niệm trừu tượng cấp cao như hình thái khuôn mặt hay bộ phận cơ thể của đối tượng.

Để trực quan hóa dữ liệu thực nghiệm một cách chuẩn xác:

  • Ma trận nhầm lẫn (Confusion Matrix) được thiết lập dạng bảng đa chiều thể hiện rõ mối tương quan giữa nhãn thực tế và nhãn dự đoán của mạng nơ-ron, làm nổi bật tỷ lệ nhận diện chính xác vượt trội của các lớp thực thể riêng biệt.
  • Biểu đồ đường biểu diễn chỉ số Precision - Recall theo từng epoch phản ánh tốc độ hội tụ nhanh của thuật toán khi áp dụng hàm kích hoạt ReLU và cơ chế Dropout 0.5.

So sánh với các nghiên cứu tiền nhiệm như mô hình kết hợp metadata của Hyvönen (năm 2003) hay cấu trúc S-Tree của các nghiên cứu trước đó, giải pháp của luận văn đã khắc phục hoàn toàn sự phụ thuộc vào chú thích thủ công, loại bỏ triệt để hiện tượng nhiễu ngữ nghĩa và giảm khoảng cách ngữ nghĩa trong truy vấn đa phương tiện.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm vững chắc, luận văn đưa ra 4 nhóm khuyến nghị hành động chiến lược nhằm hoàn thiện và ứng dụng mô hình vào thực tiễn sản xuất:

  • Mở rộng và nâng cấp kiến trúc mạng nơ-ron tích chập: Đội ngũ kỹ sư thị giác máy tính cần tiến hành nâng cấp thử nghiệm hệ thống lên các kiến trúc mạng sâu hơn như VGG-16 (với 138 triệu tham số) hoặc ResNet-50. Mục tiêu là nâng cao độ chính xác phân loại thêm từ 3% đến 5% đối với các tập dữ liệu có độ biến thiên phức tạp, lộ trình thực hiện trong vòng 6 đến 12 tháng.
  • Tự động hóa hoàn toàn quy trình sinh Bản thể học: Các chuyên gia kỹ nghệ tri thức cần phát triển các module tự động ánh xạ trực tiếp các nhãn phân loại đầu ra từ mạng CNN sang các thuộc tính lớp trong tệp ontology OWL. Giải pháp này giúp giảm thiểu trên 40% thời gian xây dựng ontology thủ công, hoàn thành trong mốc thời gian 6 tháng.
  • Tối ưu hóa hiệu năng truy vấn thời gian thực: Kỹ sư phát triển phần mềm cần tích hợp các điểm cuối SPARQL Endpoint với hệ thống chỉ mục phân tán trên nền tảng điện toán đám mây. Mục tiêu đặt ra là duy trì thời gian phản hồi truy vấn dưới 200 mili-giây đối với tải đồng thời trên 10.000 yêu cầu truy xuất ảnh.
  • Chuyển giao và triển khai ứng dụng đa ngành: Các viện nghiên cứu và doanh nghiệp công nghệ cần phối hợp thí điểm ứng dụng mô hình vào hai lĩnh vực mũi nhọn: Nông nghiệp thông minh (phân loại tự động nông sản và nhận diện sâu bệnh trên lá cây) và Y tế số (truy vấn hình ảnh giải phẫu bệnh). Đặt mục tiêu triển khai thử nghiệm tại ít nhất 3 đến 5 cơ sở thực tiễn trong vòng 12 đến 18 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

  • Học viên cao học và Nhà nghiên cứu ngành Trí tuệ nhân tạo: Luận văn cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận kết hợp giữa mô hình học sâu hiện đại và kỹ nghệ tri thức Web ngữ nghĩa, giúp định hướng đề tài nghiên cứu chuyên sâu.
  • Kỹ sư Thị giác máy tính (Computer Vision Engineers): Nắm vững quy trình thiết kế, tinh chỉnh siêu tham số mạng nơ-ron tích chập như cơ chế chia sẻ trọng số, kỹ thuật tối ưu Dropout và cách thức đánh giá mô hình phân loại đa lớp.
  • Chuyên gia Bản thể học và Web ngữ nghĩa (Ontology Engineers): Tiếp cận case study thực tế về việc thiết kế domain ontology bằng công cụ Protégé, mô hình hóa dữ liệu RDF/OWL và cú pháp thiết lập câu truy vấn SPARQL nâng cao.
  • Doanh nghiệp phát triển phần mềm và Hệ thống quản trị dữ liệu số: Vận dụng trực tiếp giải pháp kiến trúc để xây dựng các công cụ tìm kiếm hình ảnh thông minh trong các nền tảng thương mại điện tử, thư viện số và bệnh viện thông minh.

Câu hỏi thường gặp

  • Mạng nơ-ron tích chập (CNN) đóng vai trò gì trong hệ thống truy xuất ảnh ngữ nghĩa?
    Mạng CNN đóng vai trò là bộ trích xuất đặc trưng tự động và phân loại đối tượng cấp cao. Thay vì sử dụng các đặc trưng thủ công dễ sai lệch, các tầng tích chập của CNN tự động học các biểu diễn không gian phức tạp từ dữ liệu ảnh thô, mang lại độ chính xác phân lớp đạt trên 89.5%.
  • Bản thể học (Ontology) giải quyết hạn chế nào của công cụ tìm kiếm truyền thống?
    Ontology thiết lập cấu trúc quan hệ ngữ nghĩa phân cấp giữa các khái niệm thực tế. Điều này giúp loại bỏ sự nhập nhằng của từ khóa (như phân biệt giữa máy ảnh D80 và hãng Apple), đồng thời hỗ trợ suy luận logic để tìm kiếm mở rộng các khái niệm liên quan mà văn bản đi kèm không thể hiện.
  • Tại sao kỹ thuật Dropout lại giảm đáng kể tỷ lệ lỗi của mô hình AlexNet?
    Kỹ thuật Dropout ngắt kết nối ngẫu nhiên 50% số nơ-ron trong quá trình lan truyền ngược. Cơ chế này buộc mạng phải học các đặc trưng mạnh mẽ và độc lập hơn, ngăn chặn hiện tượng phụ thuộc chéo giữa các nơ-ron, qua đó giảm tỷ lệ lỗi mô hình từ 18.5% xuống còn 8.2%.
  • Hệ thống thực hiện truy vấn ngữ nghĩa thông qua ngôn ngữ nào?
    Hệ thống sử dụng ngôn ngữ truy vấn SPARQL thực thi trên cơ sở tri thức định dạng RDF và bản thể học OWL. Các truy vấn từ người dùng được chuyển đổi thành cấu trúc SPARQL để lọc và truy xuất các đối tượng hình ảnh có mối quan hệ ngữ nghĩa tương ứng với độ chính xác đạt trên 95%.
  • Mô hình nghiên cứu trong luận văn có thể mở rộng cho dữ liệu lớn (Big Data) không?
    Mô hình hoàn toàn có khả năng mở rộng quy mô. Bằng cách tận dụng năng lực xử lý đa luồng của các bộ xử lý đồ họa GPU hiện đại kết hợp với cơ chế lưu trữ phân tán cho hệ thống ontology, hệ thống có thể đáp ứng truy vấn trên hàng triệu hình ảnh với độ trễ thấp.

Kết luận

Luận văn thạc sĩ "Phân lớp ngữ nghĩa hình ảnh dựa trên mạng nơ-ron tích chập" của tác giả Trương Hữu Chiến đã giải quyết trọn vẹn bài toán thu hẹp khoảng cách ngữ nghĩa trong xử lý ảnh đa phương tiện.

  • Xây dựng thành công mô hình học sâu CNN dựa trên kiến trúc AlexNet đạt độ chính xác phân loại trên 89.5%.
  • Tối ưu hóa hoàn hảo cấu trúc mạng nơ-ron bằng hàm ReLU và kỹ thuật Dropout 0.5, kiểm soát tối đa lỗi quá khớp.
  • Thiết kế hoàn chỉnh bản thể học miền (Domain Ontology) mô tả tri thức phân cấp cho dữ liệu hình ảnh.
  • Hiện thực hóa cơ chế truy vấn ngữ nghĩa thông minh SIR bằng ngôn ngữ SPARQL với độ chuẩn xác đạt trên 95.8%.
  • Mở ra hướng ứng dụng thực tiễn to lớn trong nông nghiệp công nghệ cao, y tế thông minh và thành phố số.

Công trình là đóng góp học thuật quan trọng, tạo nền tảng vững chắc cho các nghiên cứu tiếp theo về thị giác máy tính và kỹ nghệ tri thức. Các tổ chức học thuật và doanh nghiệp phát triển công nghệ được khuyến khích kế thừa và triển khai ứng dụng mô hình này vào các nền tảng quản lý hình ảnh số trong vòng 12 tháng tới để tối ưu hóa hiệu quả vận hành.