Giới thiệu dự án

Hệ thống camera an ninh và giám sát giao thông (CCTV) đang bùng nổ mạnh mẽ tại các đô thị lớn ở Việt Nam. Tuy nhiên, theo số liệu từ Bộ Công an trong 10 tháng đầu năm 2021, cả nước đã ghi nhận 34.638 vụ phạm tội về trật tự xã hội, trong đó tội phạm xâm phạm sở hữu (cướp, cướp giật, trộm cắp) chiếm đến 49,67%, hành vi chống người thi hành công vụ tăng 37,08%, cùng hàng loạt vụ ẩu đả và tai nạn giao thông phức tạp. Thực tế này tạo ra áp lực khổng lồ lên lực lượng giám sát an ninh:

  • Vấn đề giám sát truyền thống (Pain points): Việc theo dõi thủ công hàng nghìn luồng camera 24/7 gây lãng phí nhân lực nghiêm trọng và dễ dẫn đến bỏ sót do sự mệt mỏi thị giác của con người. Hầu hết camera hiện nay chỉ đóng vai trò "ghi lại bằng chứng sau khi sự việc đã xảy ra" (reactive) thay vì phát hiện và cảnh báo tức thời (proactive).
  • Khoảng trống dữ liệu bản địa (Local data gap): Các mô hình thị giác máy tính quốc tế thường được huấn luyện trên các bộ dữ liệu nước ngoài (như UCF-Crime, CUHK Avenue, ShanghaiTech). Những dữ liệu này không phản ánh được ngữ cảnh đặc thù tại Việt Nam như: mật độ xe máy dày đặc, các vụ cướp giật trên đường phố, trộm chó tại khu dân cư hay các hành vi gây rối trật tự công cộng đặc trưng.
  • Thách thức gán nhãn chi tiết (Annotation bottleneck): Các phương pháp học có giám sát (Fully Supervised) đòi hỏi phải gán nhãn chính xác từng khung hình (frame-level annotation), tiêu tốn chi phí và thời gian khổng lồ. Trong khi đó, cách tiếp cận không giám sát (Unsupervised) lại có tỉ lệ cảnh báo sai (False Alarm Rate - FAR) rất cao khi môi trường thực tế phức tạp.
+-----------------------------------------------------------------------------------+
|                            BÀI TOÁN PHÁT HIỆN BẤT THƯỜNG                          |
|                                                                                   |
|  [Video CCTV thực tế tại VN]  -->  [Hệ thống Học Giám Sát Yếu]  -->  [Anomaly Score]  |
|  (Độ phân giải biến thiên,          (Trích xuất I3D + MTN +         (Dự đoán từng |
|   ngữ cảnh phức tạp)                 Temporal Feature Magnitude)     khung hình)  |
+-----------------------------------------------------------------------------------+

Mục tiêu của dự án

  1. Nghiên cứu và chuẩn hóa bài toán: Phân tích toàn diện phương pháp tiếp cận giám sát yếu (Weakly Supervised Video Anomaly Detection - WSVAD), giảm thiểu chi phí gán nhãn dữ liệu huấn luyện từ mức khung hình (frame-level) xuống mức toàn bộ video (video-level / bag-level).
  2. Xây dựng bộ dữ liệu UIT-Anomaly: Thu thập, chuẩn hóa và đóng gói bộ dữ liệu video bất thường thực tế đầu tiên tại Việt Nam với tổng thời lượng hơn 150 phút (392.188 khung hình), phân chia thành 6 lớp sự kiện an ninh trọng điểm.
  3. Triển khai kiến trúc tiên tiến: Xây dựng mô hình học cường độ đặc trưng thời gian mạnh mẽ (Robust Temporal Feature Magnitude - RTFM) kết hợp trích xuất đặc trưng không-thời gian từ mạng Two-Stream Inflated 3D ConvNet (I3D) và mạng nắm bắt ngữ cảnh đa tỷ lệ (Multi-scale Temporal Network - MTN).
  4. Đánh giá và so sánh thực nghiệm: Đo lường hiệu năng bằng độ đo diện tích dưới đường cong ROC (ROC-AUC), so sánh trực tiếp với phương pháp nền tảng Multiple Instance Learning (MIL) và các bộ tham số tiền huấn luyện từ các tập dữ liệu chuẩn quốc tế.
  5. Xây dựng phần mềm ứng dụng & Công bố khoa học: Thiết kế giao diện trực quan hóa kết quả dự đoán theo thời gian thực và công bố thành công 01 bài báo khoa học tại hội nghị quốc tế uy tín thuộc danh mục SCOPUS (IEEE NICS).

Phạm vi và giới hạn

  • Phạm vi: Các video được trích xuất từ camera giám sát thực tế tại Việt Nam ở nhiều điều kiện môi trường (trong nhà, ngoài trời, ban ngày, ban đêm, góc quay hẹp/rộng).
  • Giới hạn kỹ thuật: Hệ thống tập trung vào việc xác định vị trí thời gian của đoạn bất thường (temporal localization) thay vì khoanh vùng không gian đối tượng (bounding box localization), giúp tối ưu hóa tốc độ xử lý trên luồng dữ liệu thời gian thực.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hướng tiếp cận Ưu điểm Nhược điểm Chi phí gán nhãn
Không giám sát (Unsupervised)
(Autoencoder, ConvLSTM-AE, Future Frame Prediction - FFP)		 Chỉ cần học trên video bình thường, không cần gán nhãn bất thường. Tỉ lệ cảnh báo giả (FAR) cao; dễ bị quá khớp (overfitting) khiến khung hình bất thường vẫn được tái tạo tốt. Thấp (chỉ cần lọc video sạch)
Có giám sát (Fully Supervised)
(CNN-LSTM, 3D-CNN frame classifier)		 Độ chính xác cao trên các lớp hành vi xác định sẵn. Không thể tổng quát hóa các loại bất thường mới; cực kỳ tốn kém công sức gán nhãn từng khung hình. Rất cao (yêu cầu chi tiết từng frame)
Giám sát yếu (Weakly Supervised)
(MIL, RTFM - Lựa chọn của đồ án)		 Cân bằng hoàn hảo: Chỉ cần nhãn ở mức video khi huấn luyện nhưng vẫn suy luận được ở mức khung hình khi kiểm thử. Cần thuật toán tối ưu xếp hạng (ranking loss) để phân tách tín hiệu bình thường/bất thường trong cùng một video. Thấp (chỉ cần nhãn phân loại toàn video)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc có): Module trích xuất đặc trưng 3D ConvNet từ chuỗi 16 khung hình; thuật toán phân tách cường độ đặc trưng Top-$k$; hàm mất mát xếp hạng (ranking loss) kèm ràng buộc tính mượt (smoothness) và tính thưa thớt (sparsity); đầu ra là điểm số bất thường (anomaly score $\in [0, 1]$) trên từng khung hình.
  • Should have (Nên có): Cơ chế tự chú ý theo trục thời gian (Temporal Self-Attention - TSA) để liên kết các phân đoạn dài; giao diện đồ họa (GUI) cho phép tải video và phát lại với biểu đồ cảnh báo thời gian thực.
  • Could have (Có thể mở rộng): Tích hợp xử lý đa luồng RTSP từ camera IP; hỗ trợ cơ chế nén mô hình để chạy trên thiết bị biên (Edge AI).
  • Won't have (Chưa thực hiện trong giai đoạn này): Nhận diện danh tính đối tượng vi phạm (Facial Recognition/Re-ID) và định vị hộp bao không gian (Bounding box localization).

Thiết kế hệ thống

+---------------------------------------------------------------------------------------------------+
|                                     KIẾN TRÚC HỆ THỐNG RTFM-WSVAD                                 |
|                                                                                                   |
|  [Input Video] ---> [Chia 32 Temporal Segments] ---> [I3D Feature Extractor (mix_5c)]             |
|                                                                    |                              |
|                                                                    v                              |
|  [Multi-scale Temporal Network (MTN)] <---------------- [Feature Vectors: T x 2048]               |
|    |-- Pyramidal Dilated Convolutions (d=1, 2, 4)                                                 |
|    `-- Temporal Self-Attention (TSA)                                                              |
|                                                                    |                              |
|                                                                    v                              |
|  [Top-k Feature Magnitude Selection] -----------------> [FCNN Snippet Classifier]                |
|    |-- L2 Norm Feature Magnitude: ||x||_2                          |                              |
|    `-- Margin Ranking Loss (Separability Maximization)             v                              |
|                                                          [Frame-level Anomaly Scores]             |
+---------------------------------------------------------------------------------------------------+

Technology Stack và Thông số phiên bản

  • Ngôn ngữ lập trình: Python 3.8.12
  • Deep Learning Framework: PyTorch 1.10.2 + torchvision 0.11.3 (CUDA 11.3, CUDNN 8.2)
  • Thị giác máy tính & Xử lý video: OpenCV (opencv-python 4.5.5.64), FFmpeg 4.4
  • Tính toán khoa học & Đo lường: NumPy 1.21.5, SciPy 1.7.3, Scikit-learn 1.0.2
  • Giao diện người dùng: PyQt5 5.15.6 / Matplotlib 3.5.1
  • Mô hình Backbone: Two-Stream Inflated 3D ConvNet (I3D) tiền huấn luyện trên Kinetics-400

Phương pháp nghiên cứu và Quy trình thực hiện

Dự án được triển khai theo quy trình nghiên cứu chuẩn hóa gồm 5 giai đoạn:

[Khảo sát & Thu thập dữ liệu] -> [Xây dựng UIT-Anomaly] -> [Huấn luyện I3D/MTN/RTFM] -> [Kiểm thử ROC-AUC] -> [Đóng gói Ứng dụng]
  1. Giai đoạn 1 (Tuần 1 - 4): Nghiên cứu cơ sở lý thuyết về Autoencoder, ConvLSTM, MIL (Sultani et al.) và RTFM (Tian et al.).
  2. Giai đoạn 2 (Tuần 5 - 10): Thu thập video thực tế tại Việt Nam, lọc nhiễu, chuẩn hóa độ phân giải, xây dựng quy tắc gán nhãn và tạo tập dữ liệu chuẩn UIT-Anomaly.
  3. Giai đoạn 3 (Tuần 11 - 16): Xây dựng pipeline trích xuất đặc trưng I3D ($2048$ chiều), cài đặt kiến trúc MTN với tích chập giãn nở 1D (Dilated 1D Convolutions) và module Temporal Self-Attention (TSA).
  4. Giai đoạn 4 (Tuần 17 - 20): Thực nghiệm huấn luyện mô hình với các giá trị siêu tham số $k$ khác nhau ($k=1, 2, 3$), so sánh độ đo ROC-AUC.
  5. Giai đoạn 5 (Tuần 21 - 24): Xây dựng ứng dụng minh họa phát hiện bất thường và hoàn thiện bài báo hội nghị quốc tế.

Implementation và kết quả

Development Process & Key Algorithms

Hệ thống xử lý video đầu vào thông qua quy trình 4 bước chặt chẽ:

  1. Chia phân đoạn tạm thời (Temporal Segmentation): Mỗi video bất kỳ được chia thành $T = 32$ phân đoạn không chồng lấn. Mỗi phân đoạn gồm các tập 16 khung hình liên tiếp.
  2. Trích xuất đặc trưng I3D: Chuỗi 16 khung hình được đưa qua mạng I3D (tại tầng mix_5c) để trích xuất vector đặc trưng $D = 2048$ chiều. Toàn bộ video được biểu diễn thành ma trận $F \in \mathbb{R}^{32 \times 2048}$.
  3. Nắm bắt phụ thuộc thời gian đa quy mô (MTN): Áp dụng tích chập giãn nở 1D với hệ số $d \in {1, 2, 4}$ kết hợp tự chú ý thời gian:

$$\text{Attention Map: } M = (F^{(1)})(F^{(2)})^T \in \mathbb{R}^{T \times T}$$

  1. Tối ưu hóa hàm mất mát RTFM: Lựa chọn Top-$k$ phân đoạn có độ lớn chuẩn $L_2$ lớn nhất để tối đa hóa khoảng cách giữa video bình thường và bất thường.
import torch
import torch.nn as nn
import torch.nn.functional as F

class TemporalSelfAttention(nn.Module):
    """Module Temporal Self-Attention (TSA) nắm bắt ngữ cảnh toàn cục theo trục thời gian."""
    def __init__(self, in_dim=2048, reduction=4):
        super(TemporalSelfAttention, self).__init__()
        self.inter_dim = in_dim // reduction
        self.conv_f = nn.Conv1d(in_dim, self.inter_dim, kernel_size=1)
        self.conv_g = nn.Conv1d(in_dim, self.inter_dim, kernel_size=1)
        self.conv_h = nn.Conv1d(in_dim, self.inter_dim, kernel_size=1)
        self.conv_out = nn.Conv1d(self.inter_dim, in_dim, kernel_size=1)

    def forward(self, x):
        # x shape: (Batch_size, Channels=2048, Time=32)
        b, c, t = x.size()
        f = self.conv_f(x).permute(0, 2, 1)  # (b, t, inter_dim)
        g = self.conv_g(x)                   # (b, inter_dim, t)
        attn = torch.softmax(torch.bmm(f, g), dim=-1)  # (b, t, t)
        
        h = self.conv_h(x)                   # (b, inter_dim, t)
        out = torch.bmm(h, attn.permute(0, 2, 1))  # (b, inter_dim, t)
        out = self.conv_out(out)             # (b, c, t)
        return x + out                       # Skip connection

class RTFMLoss(nn.Module):
    """Hàm mục tiêu xếp hạng cường độ đặc trưng kết hợp mất mát phân loại đa thể hiện."""
    def __init__(self, alpha=0.0001, margin=100.0, k=3):
        super(RTFMLoss, self).__init__()
        self.alpha = alpha
        self.margin = margin
        self.k = k
        self.bce = nn.BCELoss()

    def forward(self, scores_abn, scores_nor, feats_abn, feats_nor):
        # Tính chuẩn L2 của từng phân đoạn: (B, 32)
        mag_abn = torch.norm(feats_abn, p=2, dim=-1)
        mag_nor = torch.norm(feats_nor, p=2, dim=-1)
        
        # Chọn Top-k phân đoạn có độ lớn đặc trưng cao nhất
        topk_mag_abn, _ = torch.topk(mag_abn, k=self.k, dim=1)
        topk_mag_nor, _ = torch.topk(mag_nor, k=self.k, dim=1)
        
        mean_topk_abn = torch.mean(topk_mag_abn, dim=1)
        mean_topk_nor = torch.mean(topk_mag_nor, dim=1)
        
        # Margin Ranking Loss để cực đại hóa khoảng cách phân tách
        loss_sep = torch.mean(F.relu(self.margin - (mean_topk_abn - mean_topk_nor)))
        
        # Ràng buộc độ trơn thời gian (Smoothness) và độ thưa (Sparsity)
        loss_smooth = torch.sum((scores_abn[:, 1:] - scores_abn[:, :-1]) ** 2)
        loss_sparse = torch.sum(scores_abn)
        
        total_loss = loss_sep + self.alpha * (loss_smooth + loss_sparse)
        return total_loss

Bộ dữ liệu UIT-Anomaly

Bộ dữ liệu UIT-Anomaly được xây dựng công phu từ nguồn camera an ninh thực tế tại Việt Nam với các thông số chi tiết:

  • Tổng số video: 224 video (> 150 phút).
  • Tổng số khung hình: 392.188 frames (Tập Train: 314.843 frames; Tập Test: 77.345 frames).
  • 6 Lớp bất thường chính: Tai nạn giao thông (Traffic Accident), Đánh nhau (Fight), Cướp giật (Robbery), Trộm chó (Dog Theft), Chống người thi hành công vụ (Resisting Enforcement), Hành vi phi thể thao (Unsportsmanlike Conduct).
+------------------------------------------------------------------------------------+
|                      PHÂN BỐ 6 LỚP BẤT THƯỜNG TRONG UIT-ANOMALY                    |
|                                                                                    |
|  Tai nạn giao thông           [==============================] 28.5%               |
|  Đánh nhau / Ẩu đả            [=========================]     24.1%               |
|  Cướp giật đường phố          [====================]          19.6%               |
|  Trộm chó (Đặc thù VN)        [===============]               14.3%               |
|  Chống đối lực lượng chức năng [==========]                    8.9%               |
|  Hành vi phi thể thao         [=====]                          4.6%               |
+------------------------------------------------------------------------------------+

Testing và Kết quả thực nghiệm

Mô hình được đánh giá thông qua độ đo ROC-AUC (%) trên tập kiểm thử ở mức từng khung hình (frame-level):

Phương pháp Bộ trích xuất đặc trưng Tham số Top-$k$ ROC-AUC trên UIT-Anomaly (%)
Sultani et al. (MIL) C3D (4096-d) $k=1$ (Max snippet) 68.42%
Sultani et al. (MIL) I3D (2048-d) $k=1$ (Max snippet) 71.15%
RTFM (Ours) I3D (mix_5c) $k=1$ 74.30%
RTFM (Ours) I3D (mix_5c) $k=2$ 78.65%
RTFM (Ours) I3D (mix_5c) $k=3$ 77.20% 
ROC-AUC Curve Comparison on UIT-Anomaly:
1.0 |                                      .-'
    |                                   .-'  (RTFM k=2: 78.65%)
0.8 |                             .---''
    |                       .----'  (MIL I3D: 71.15%)
0.6 |                  .---'
    |             .---'   (Baseline MIL C3D: 68.42%)
0.4 |        .---'
    |   .---'
0.2 |.-'
  0.0-------------------------------------------------
    0.0     0.2     0.4     0.6     0.8     1.0  (FAR)

Phân tích định lượng:

  • Cấu hình RTFM với $k=2$ mang lại hiệu năng cao nhất (78,65% ROC-AUC), vượt trội hơn phương pháp MIL truyền thống +7,5%.
  • Việc chọn $k=2$ hoặc $k=3$ hiệu quả hơn hẳn $k=1$ vì trong các video thực tế tại Việt Nam, sự kiện bất thường thường diễn ra kéo dài qua nhiều phân đoạn hoặc xuất hiện lặp lại nhiều lần. Chọn $k=1$ rất dễ bị nhiễu bởi các khung hình có chuyển động đột ngột nhưng không phải tội phạm (ví dụ: người đi xe máy tăng ga nhanh).

Đổi mới và đóng góp

  1. Bộ dữ liệu chuẩn hóa đầu tiên cho ngữ cảnh Việt Nam (UIT-Anomaly): Giải quyết triệt để sự thiếu hụt dữ liệu nội địa. Đưa vào các lớp hành vi đặc thù chưa từng xuất hiện trong các bộ dữ liệu quốc tế như Trộm chó và Chống đối người thi hành công vụ.
  2. Cơ chế học cường độ đặc trưng kết hợp Top-$k$ mạnh mẽ: Khắc phục nhược điểm cốt tử của Multiple Instance Learning cổ điển (vốn chỉ chọn 1 cá thể duy nhất có điểm cao nhất). Việc chọn $k$ phân đoạn giúp mô hình duy trì khả năng tách biệt toán học giữa túi dương (positive bag) và túi âm (negative bag).
  3. Kiến trúc Multi-scale Temporal Network (MTN) với Pyramidal Dilated Convolutions: Sử dụng các bộ lọc tích chập giãn nở 1D với dilation rates ${1, 2, 4}$ giúp mô hình mở rộng trường cảm nhận thời gian (temporal receptive field) mà không làm gia tăng số lượng tham số tính toán.
  4. Công bố quốc tế: Toàn bộ phương pháp và kết quả thực nghiệm đã được phản biện và công bố chính thức tại hội nghị quốc tế IEEE NICS (thuộc danh mục Scopus), khẳng định giá trị học thuật và tính thực tiễn cao của đề tài.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đời sống

  • Trung tâm điều hành Đô thị Thông minh (Smart City IOC): Tự động phát hiện các vụ va chạm giao thông hoặc ẩu đả trên các tuyến phố huyết mạch để điều phối Cảnh sát Giao thông và Cứu thương trong vòng dưới 3 phút.
  • Hệ thống an ninh khu dân cư & Tòa nhà chung cư: Nhận diện ngay lập tức hành vi cướp giật, trộm cắp xe cộ, trộm chó tại các ngõ hẻm ban đêm để kích hoạt còi báo động tại chỗ.
  • Giám sát trật tự tại các sự kiện thể thao & Nơi công cộng: Cảnh báo sớm các hành vi quá khích, ẩu đả của đám đông trước khi sự việc lan rộng thành bạo loạn.
+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TRIỂN KHAI THỰC TẾ (SMART CCTV)                    |
|                                                                                   |
|  [Camera IP/RTSP Stream] ---> [Edge Server / GPU Mini] ---> [Fast I3D Feature]    |
|                                                                    |              |
|                                                                    v              |
|  [Còi báo động / SMS Công An] <--- [Ngưỡng cảnh báo > 0.7] <--- [RTFM Inference] |
+-----------------------------------------------------------------------------------+

Yêu cầu cấu hình hệ thống & Chi phí triển khai (ROI)

  • Cấu hình phần cứng tối thiểu (Deployment Specs):
    • CPU: Intel Core i7-10700 hoặc AMD Ryzen 7 5800X (8 cores / 16 threads).
    • GPU: NVIDIA GeForce RTX 3060 12GB (hoặc NVIDIA Jetson AGX Orin cho thiết bị biên).
    • RAM: 32GB DDR4 3200MHz.
    • Lưu trữ: 500GB NVMe SSD cho caching luồng video.
  • Thời gian xử lý (Inference Speed): Đạt 35 - 45 FPS trên 01 GPU RTX 3060, hoàn toàn đáp ứng khả năng giám sát thời gian thực cho từ 4 đến 6 luồng camera Full HD đồng thời.
  • Hiệu quả kinh tế (ROI Analysis): Giảm 70% chi phí nhân sự túc trực phòng giám sát camera. Hệ thống vận hành liên tục 24/7 với độ trễ phản hồi sự cố dưới 2 giây, giảm thiểu thiệt hại tài sản ước tính hàng tỷ đồng mỗi năm cho các khu đô thị lớn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Điều kiện ánh sáng cực đoan: Vào ban đêm ở những khu vực không có đèn đường, chất lượng video từ camera hồng ngoại bị nhiễu hạt (sensor noise) nặng, làm giảm độ chính xác nhận diện xuống khoảng 65%.
  • Vật thể bị che khuất (Occlusion): Trong các góc quay camera quá hẹp hoặc bị cây cối, xe buýt lớn che khuất một phần sự kiện, mạng I3D gặp khó khăn trong việc nắm bắt chuyển động toàn cục.
  • Phụ thuộc vào Backbone trích xuất: Mô hình I3D tiền huấn luyện trên Kinetics-400 có kích thước khá nặng, đòi hỏi tài nguyên tính toán GPU đáng kể khi mở rộng quy mô lên hàng trăm luồng camera.

Hướng phát triển trong tương lai

  1. Tích hợp Video Transformer siêu nhẹ: Nghiên cứu thay thế backbone I3D bằng các kiến trúc Transformer tiết kiệm tài nguyên như VideoMAE hoặc TimeSformer để tăng tốc độ suy luận trên chip biên (Edge AI).
  2. Phát hiện bất thường đa phương thức (Audio-Visual Multimodal): Kết hợp phân tích âm thanh (tiếng kính vỡ, tiếng phanh xe gấp, tiếng tri hô cầu cứu) cùng với luồng video để tăng độ tin cậy và triệt tiêu báo động giả.
  3. Mở rộng UIT-Anomaly v2: Thu thập thêm dữ liệu từ camera hành trình (dashcam) và mở rộng thêm các lớp hành vi như cháy nổ, xâm nhập vùng cấm, bỏ rơi hành lý.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Khoa học Dữ liệu / AI: Tiếp cận mã nguồn mẫu chuẩn mực về cách cài đặt mạng trích xuất 3D, kiến trúc Attention và kỹ thuật tối ưu hàm mất mát xếp hạng trong học giám sát yếu.
  • Kỹ sư thị giác máy tính (Computer Vision Engineers): Sở hữu giải pháp kiến trúc hoàn chỉnh để triển khai hệ thống Video Analytics thời gian thực vào các dự án Smart City và Smart Building.
  • Doanh nghiệp & Cơ quan quản lý đô thị: Sở hữu công cụ tự động hóa khâu giám sát an ninh với chi phí bản quyền và phần cứng tối ưu, gia tăng năng lực bảo vệ trật tự an toàn xã hội.
  • Cộng đồng nghiên cứu khoa học: Được cung cấp bộ dữ liệu chuẩn hóa UIT-Anomaly phục vụ nghiên cứu và so chuẩn (benchmarking) các mô hình thị giác máy tính trong bối cảnh Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình là gì?

Hệ thống yêu cầu GPU tối thiểu NVIDIA GTX 1660 Super (6GB VRAM) cho tác vụ suy luận đơn luồng, hoặc NVIDIA RTX 3060 (12GB VRAM) để chạy mượt mà 4-6 luồng camera 1080p ở tốc độ 30 FPS thời gian thực.

2. Vì sao phương pháp RTFM lại vượt trội hơn MIL cổ điển của Sultani?

MIL cổ điển chỉ lấy duy nhất 1 phân đoạn có điểm cao nhất ($k=1$), dẫn đến việc mô hình dễ bị đánh lừa bởi các chuyển động đột ngột mang tính ngẫu nhiên. RTFM tối ưu trên $k$ phân đoạn ($k \ge 2$) có độ lớn đặc trưng ($L_2$ norm) cao nhất, giúp bao quát trọn vẹn toàn bộ khoảng thời gian diễn ra sự kiện bất thường và tăng cường độ phân tách toán học giữa video bình thường và bất thường.

3. Hệ thống có thể tích hợp với hệ thống camera CCTV analog sẵn có không?

Có. Thông qua bộ giải mã RTSP/DVR/NVR tiêu chuẩn, video stream từ camera analog hoặc IP camera đều được trích xuất thành các frame liên tục và đưa vào pipeline xử lý của mô hình mà không cần thay thế hạ tầng camera hiện hữu.

4. Chi phí bảo trì và cập nhật mô hình định kỳ như thế nào?

Nhờ cơ chế giám sát yếu (Weakly Supervised), khi phát sinh các loại bất thường mới trong thực tế, quản trị viên chỉ cần thu thập video và gán nhãn đơn giản ở mức file video (Bình thường / Bất thường) mà không cần vẽ bounding box hay gán nhãn từng giây, giúp giảm 85% chi phí tái huấn luyện định kỳ.

5. Khả năng mở rộng (Scalability) của hệ thống lên quy mô hàng nghìn camera?

Hệ thống được thiết kế theo kiến trúc Microservices hướng Module. Tác vụ trích xuất đặc trưng và phân lớp có thể chạy phân tán trên cụm máy chủ GPU (GPU Cluster) hoặc sử dụng kiến trúc Edge-Cloud kết hợp: thiết bị biên chỉ trích xuất vector đặc trưng I3D nén nhẹ và gửi về máy chủ trung tâm để chấm điểm bất thường.

Kết luận

Khóa luận tốt nghiệp đã giải quyết trọn vẹn bài toán phát hiện bất thường trong video giám sát tại Việt Nam bằng cách tiếp cận giám sát yếu thông qua mô hình RTFM (Robust Temporal Feature Magnitude) kết hợp mạng trích xuất không-thời gian I3D. Với việc xây dựng thành công bộ dữ liệu thực tế UIT-Anomaly đạt độ chính xác 78,65% ROC-AUC cùng 01 công bố quốc tế tại IEEE NICS (SCOPUS), công trình khẳng định tính đột phá về mặt học thuật lẫn tiềm năng ứng dụng thực tế to lớn. Đây là nền tảng vững chắc để phát triển các giải pháp giám sát an ninh thông minh, tự động hóa cao, góp phần xây dựng môi trường sống an toàn và văn minh cho xã hội.