Bối cảnh và vấn đề nghiên cứu

Sự phát triển của học sâu (Deep Learning) trong lĩnh vực thị giác máy tính đã tạo ra nhiều bước tiến trong các ứng dụng giám sát, tìm kiếm cứu hộ, quản lý giao thông và tự động hóa phương tiện. Nguồn dữ liệu hình ảnh, video phục vụ các hệ thống này phần lớn được thu nhận qua camera mặt đất cố định hoặc thiết bị bay không người lái (Unmanned Aerial Vehicles - UAVs/Drones). So với camera cố định, UAV sở hữu nhiều ưu thế thực tiễn: khả năng di chuyển linh hoạt trên các địa hình đồi núi phức tạp hoặc vùng không gian phi cấu trúc, cung cấp phạm vi bao phủ rộng, độ phân giải không gian cao và góc quan sát cơ động. Tuy nhiên, việc theo dõi và giám sát đối tượng thủ công từ video UAV đòi hỏi nhiều nhân lực, thời gian và chi phí, đặt ra yêu cầu cấp thiết về các giải pháp tự động hóa thông qua học máy.

Phần lớn các nghiên cứu về theo dõi đa đối tượng (Multiple Object Tracking - MOT) trên thế giới tập trung vào đối tượng người đi bộ (pedestrian). Tại Việt Nam, phương tiện tham gia giao thông trọng yếu là xe máy (motorbike). Việc nghiên cứu bài toán phát hiện và theo dõi xe máy từ góc nhìn không ảnh đặt ra nhiều thách thức đặc thù:

  • Thách thức bên ngoài: Điều kiện thời tiết bất lợi (mưa, ánh sáng phân bố không đồng đều), góc quay thay đổi làm biến dạng hình thái phương tiện, địa hình phức tạp, cùng hiện tượng rung lắc của UAV khiến hình ảnh thu nhận bị nhòe và mờ.
  • Thách thức bên trong: Độ giãn cách và phân bố đối tượng không đồng đều, mật độ xe máy trên đường phố Việt Nam rất lớn, kích thước đối tượng khi nhìn từ trên cao tương đối nhỏ, hình thái màu sắc đa dạng và hiện tượng che khuất lẫn nhau (occlusion) hoặc bị che khuất bởi bóng cây, vật cản diễn ra phổ biến.
  • Thách thức kỹ thuật: Các phương pháp phát hiện và theo dõi đối tượng trên không ảnh chuyên biệt còn hạn chế; việc áp dụng các mô hình học sâu đòi hỏi khảo sát kiến trúc, tối ưu tham số và đánh giá toàn diện trên dữ liệu thực tế.

Mục tiêu nghiên cứu của khóa luận được xác định cụ thể qua 7 nhiệm vụ:

  1. Tìm hiểu tổng quan về bài toán phát hiện và theo dõi đối tượng trong không ảnh.
  2. Khảo sát các bộ dữ liệu có cùng ngữ cảnh đã được công bố trên thế giới; tìm hiểu các kỹ thuật, phương pháp học sâu tiên tiến cho kết quả khả quan.
  3. Xây dựng bộ dữ liệu phát hiện và theo dõi đối tượng trong không ảnh (UIT-DroneMOT).
  4. Nghiên cứu và thực nghiệm các phương pháp phát hiện và theo dõi đối tượng học sâu (DeepSORT, FairMOT, ByteTrack, OC-SORT) trên bộ dữ liệu đã xây dựng.
  5. Nghiên cứu, so sánh và đánh giá hiệu năng dựa trên kết quả thực nghiệm định lượng.
  6. Lựa chọn mô hình đạt kết quả tối ưu để xây dựng ứng dụng minh họa (demo).
  7. Tổng hợp kết quả, phân tích số liệu và hoàn thiện báo cáo khóa luận.

Đối tượng nghiên cứu là lớp phương tiện xe máy (motorbike) trong chuỗi không ảnh. Phạm vi nghiên cứu tập trung vào bài toán xử lý video/chuỗi khung hình chụp từ thiết bị bay không người lái với đầu vào là chuỗi ảnh và đầu ra là vị trí hộp giới hạn (bounding box) cùng định danh duy nhất (ID) của từng xe máy theo thời gian. Không gian thu thập dữ liệu trải dài trên nhiều tuyến đường tại các thành phố ở Việt Nam; thời gian hoàn thành khóa luận là năm 2022 tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM.

Cơ sở lý thuyết và phương pháp

Khóa luận tiếp cận bài toán theo dõi đa đối tượng (MOT) theo hướng tiếp cận phát hiện và theo dõi (tracking-by-detection) và mô hình trực tuyến (online tracking), trong đó quá trình liên kết đối tượng chỉ khai thác khung hình hiện tại và khung hình ngay trước đó nhằm hướng tới yêu cầu xử lý thời gian thực. Cơ sở lý thuyết của nghiên cứu bao gồm hai nhóm mô hình thành phần:

Các mô hình phát hiện đối tượng (Object Detectors)

  • YOLOv3: Kiến trúc phát hiện đối tượng một giai đoạn (one-stage), sử dụng mạng tích chập Darknet-53 gồm 53 lớp phức hợp kết hợp các kết nối phần dư (Residual connections) để trích xuất đặc trưng. Mô hình tích hợp mạng kim tự tháp đặc trưng (Feature Pyramid Network - FPN) dự đoán hộp giới hạn tại 3 tỷ lệ kích thước khác nhau nhằm cải thiện khả năng phát hiện vật thể nhỏ, dự đoán độ tin cậy bằng hàm hồi quy Logistic và hỗ trợ gán đa nhãn cho đối tượng.
  • YOLOX: Phiên bản cải tiến không sử dụng mỏ neo (anchor-free), loại bỏ sự phụ thuộc vào các siêu tham số neo cố định, giảm số lượng dự đoán tại mỗi vị trí từ 3 xuống 1. YOLOX đề xuất kiến trúc đầu tách rời (decoupled head), tách riêng hai tác vụ phân loại (classification) và hồi quy tọa độ (regression) thành các nhánh tích chập độc lập để triệt tiêu xung đột tối ưu hóa. Đồng thời, mô hình áp dụng chiến lược lấy mẫu đa điểm tích cực (multiple positives / center sampling), chỉ định vùng 3x3 ở trung tâm làm mẫu dương tính để bổ sung gradient có lợi trong huấn luyện.
  • PP-YOLOE: Trình phát hiện anchor-free hiệu suất cao dựa trên FCOS, thay thế cơ chế tính toán nặng bằng kiến trúc CSPRepResNet ở phần thân (backbone) và cổ (neck). Mạng sử dụng khối RepResBlock kết hợp kết nối phần dư và kết nối dày đặc, có khả năng tái tham số hóa về khối dư cơ bản trong giai đoạn suy luận, kết hợp lớp chú ý kênh ESE (Effective Squeeze and Extraction), đồng thời lược bỏ các toán tử Deformable Convolutional Networks (DCN) và Matrix NMS để tối ưu hóa khả năng tương thích phần cứng.

Các mô hình theo dõi đối tượng (Object Trackers)

  • SORT và DeepSORT: SORT kết hợp bộ lọc Kalman (Kalman Filter) để ước tính vị trí theo mô hình vận tốc không đổi và thuật toán Hungary (Hungarian algorithm) để liên kết dữ liệu dựa trên chỉ số Intersection over Union (IoU). DeepSORT mở rộng SORT bằng cách bổ sung nhánh trích xuất đặc trưng diện mạo (appearance features / Re-ID), sử dụng khoảng cách Mahalanobis cho chuyển động ngắn hạn và khoảng cách Cosine trên vector đặc trưng ngoại hình để phục hồi định danh khi đối tượng bị che khuất hoặc xuất hiện trở lại.
  • FairMOT: Phương pháp theo dõi hợp nhất (one-shot tracking) giải quyết hiện tượng mất cân bằng giữa tác vụ phát hiện và Re-ID. FairMOT xây dựng trên nền tảng CenterNet không neo với mạng xương sống DLA-34, phân tách thành 3 đầu ra phát hiện (dự đoán tâm đối tượng trên heatmap, bù sai lệch vị trí box offset, ước lượng kích thước box size) chạy song song với nhánh Re-ID trích xuất đặc trưng phân biệt đối tượng ở cấp độ thấp (low-level).
  • ByteTrack: Thuật toán theo dõi đơn giản nhưng hiệu quả, giải quyết nhược điểm bỏ qua các hộp giới hạn có độ tin cậy thấp của các phương pháp truyền thống. Thuật toán BYTE chia quá trình liên kết thành hai giai đoạn: giai đoạn một ghép các hộp phát hiện điểm số cao với các vết (tracklets) dự đoán từ bộ lọc Kalman; giai đoạn hai tiếp tục đối sánh các vết chưa khớp với các hộp phát hiện có độ tin cậy thấp dựa trên độ tương đồng chuyển động IoU, giúp duy trì vết khi đối tượng bị che khuất mà không cần dùng mô hình Re-ID.
  • OC-SORT (Observation-Centric SORT): Giải quyết hạn chế nhạy cảm với chuyển động phi tuyến tính và che khuất của bộ lọc Kalman truyền thống thông qua cách tiếp cận tập trung vào quan sát (observation-centric). OC-SORT gồm 3 cơ chế:
    • Observation-centric Online Smoothing (OOS): Làm mịn quỹ đạo ảo ngược thời gian để khắc phục lỗi tích lũy khi tracklet được phát hiện trở lại.
    • Observation-Centric Momentum (OCM): Đưa thông tin quán tính vận tốc quan sát vào chi phí ma trận liên kết.
    • Observation-Centric Recovery (OCR): Phục hồi vết bị gián đoạn bằng cách đối sánh quan sát mới trực tiếp với vị trí quan sát cuối cùng của đối tượng.

Phương pháp nghiên cứu thực nghiệm được thực hiện thông qua việc huấn luyện và kiểm thử mô hình trên hai bộ dữ liệu không ảnh: bộ dữ liệu đối sánh quốc tế VisDrone-MOT2021 và bộ dữ liệu giao thông Việt Nam tự xây dựng UIT-DroneMOT.

Thiết kế và triển khai hệ thống

Khóa luận tiến hành thiết kế hệ thống và xây dựng ứng dụng web minh họa (Web Demo) nhằm kiểm chứng khả năng ứng dụng thực tiễn của mô hình phát hiện và theo vết xe máy trong không ảnh.

Hạ tầng và công nghệ triển khai

Hệ thống được phát triển và huấn luyện trên máy chủ trang bị GPU NVIDIA GeForce RTX 2080 Ti (bộ nhớ 11GiB VRAM) đặt tại Phòng thí nghiệm Truyền thông Đa phương tiện (MMLab). Framework mã nguồn mở PaddleDetection được lựa chọn làm nền tảng kỹ thuật chính để cấu hình, tối ưu hóa và huấn luyện các mô hình phát hiện kết hợp theo dõi đối tượng (YOLOv3, YOLOX, PP-YOLOE, FairMOT, DeepSORT, ByteTrack, OC-SORT).

Kiến trúc và luồng xử lý của ứng dụng

Ứng dụng minh họa được tổ chức theo mô hình phân lớp hỗ trợ xử lý trên nền web với luồng người dùng (userflow) và các use case cụ thể:

  • Phân hệ giao diện (Frontend): Cung cấp giao diện tải tệp dữ liệu đầu vào (hình ảnh hoặc video không ảnh), cấu hình tham số suy luận và theo dõi tiến trình thực thi của hệ thống.
  • Phân hệ máy chủ và xử lý trung tâm (Backend): Tiếp nhận dữ liệu, thực hiện tiền xử lý khung hình (chuẩn hóa kích thước, định dạng), chuyển tiếp dữ liệu đến khối suy luận (Inference Engine) chứa mô hình học sâu đã huấn luyện.
  • Khối suy luận và theo vết: Thực hiện phát hiện tọa độ xe máy trên từng khung hình và liên kết định danh (ID) qua chuỗi khung hình liên tiếp thông qua thuật toán theo dõi.
  • Phân hệ quản lý và xuất kết quả: Hiển thị kết quả trực quan (hình ảnh/video kèm bounding box và ID đối tượng), lưu trữ lịch sử các phiên dự đoán, đồng thời cho phép người dùng tải về tệp tin kết quả theo định dạng nhãn chuẩn phục vụ lưu trữ hoặc phân tích sâu.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập cơ sở nghiên cứu của đề tài, nêu bật động lực phát triển hệ thống giám sát tự động từ thiết bị bay không người lái trong bối cảnh giao thông đặc thù tại Việt Nam. Tác giả phát biểu bài toán theo dõi đa đối tượng trên không ảnh với dữ liệu đầu vào là video/chuỗi khung hình từ drone, đầu ra là các hộp giới hạn kèm mã định danh cá thể không đổi theo thời gian. Nội dung chương phân tích chi tiết các thách thức ngoại cảnh (thời tiết, ánh sáng, góc nghiêng, rung lắc cảm biến) và thách thức nội tại (kích thước xe máy nhỏ, phân bố không đồng đều, mật độ dày đặc, hiện tượng che khuất), từ đó xác định mục tiêu, phạm vi nghiên cứu, 5 đóng góp chính của khóa luận và bố cục 5 chương của báo cáo.

Chương 2: Các nghiên cứu liên quan

Chương 2 trình bày bức tranh tổng quan về các phương pháp thị giác máy tính trong bài toán theo dõi đối tượng. Tác giả phân loại chi tiết các hướng tiếp cận:

  • Theo dõi đơn đối tượng (Single Object Tracking - SOT) và theo dõi đa đối tượng (Multiple Object Tracking - MOT).
  • Phân biệt cơ chế xử lý trực tuyến (Online Tracking) và ngoại tuyến (Offline Tracking dựa trên tối ưu hóa đồ thị toàn cục).
  • Phân tích cơ chế theo dõi dựa trên phát hiện (Detection-based Tracking) so với các phương pháp theo dõi truyền thống không dựa trên phát hiện (BOOSTING, MIL, KCF, CSRT, GOTURN). Chương này đi sâu vào giải phẫu kiến trúc của các mạng phát hiện hiện đại (YOLOv3 với Darknet-53 và FPN; YOLOX với Anchor-free, Decoupled Head, Center sampling; PP-YOLOE với CSPRepResStage và ESE Block) cùng 4 thuật toán theo dõi tiêu biểu (SORT, DeepSORT, FairMOT, ByteTrack và OC-SORT), làm rõ các ưu điểm và hạn chế toán học của từng cơ chế liên kết dữ liệu.

Chương 3: Xây dựng bộ dữ liệu phát hiện và theo dõi đối tượng trong không ảnh

Chương 3 tập trung vào quy trình xây dựng bộ dữ liệu không ảnh UIT-DroneMOT phát triển từ nền tảng UIT-Drone2021, đồng thời phân tích bộ dữ liệu đối sánh quốc tế VisDrone-MOT2021.

  • Quy trình xây dựng dữ liệu: Được triển khai theo 2 giai đoạn song song gồm thu thập/tiền xử lý (loại bỏ video rung lắc, khung hình không liên tục, đa dạng hóa địa điểm quay) và xây dựng tài liệu hướng dẫn gán nhãn chuẩn hóa (Guideline).
  • Quy tắc gán nhãn: Nhãn bao sát đối tượng; bắt đầu gán khi vật thể đi vào khung hình vượt quá 1/2 diện tích; duy trì duy nhất một ID từ khi xuất hiện đến khi rời khung hình; khi bị che khuất vượt quá 3/4 diện tích thì tạm bỏ qua và gán lại đúng ID cũ khi lộ diện. Quá trình kiểm tra chéo (cross-check) yêu cầu mức độ đồng thuận giữa các thành viên tối thiểu đạt 98%.
  • Quy chuẩn dữ liệu: Bộ dữ liệu được lưu trữ song song dưới định dạng tệp JSON (cho tác vụ huấn luyện phát hiện và Re-ID riêng biệt) và định dạng TXT theo chuẩn MOT17 (cho các mô hình One-shot tracker).
Thuộc tính thống kê Tập huấn luyện (Train) Tập đánh giá (Validation) Tập kiểm thử (Test) Toàn bộ dữ liệu
Số lượng video 12 3 8 23
Số lượng ảnh 7.384 1.798 4.384 13.195
Độ phân giải 3840x2160 3840x2160 3840x2160 3840x2160
Số lượng đối tượng Motorbike 52.544 41.456 126.139 220.139
Số đối tượng ít nhất trong 01 video 3.305 - - -
Số đối tượng nhiều nhất trong 01 video 38.273 - - -
ID track nhỏ nhất trong video 59 55 52 52
ID track lớn nhất trong video 124 136 162 162

Đặc điểm nổi bật của UIT-DroneMOT là độ phân giải cao 4K, bối cảnh ghi hình đa dạng tại nhiều thành phố ở Việt Nam với các thách thức điển hình về góc quay không ảnh, che khuất vật lý và mật độ xe máy cực kỳ đông đúc.

Chương 4: Thực nghiệm và đánh giá

Chương 4 thiết lập môi trường thực nghiệm với framework PaddleDetection và GPU RTX 2080 Ti, sử dụng hệ thống chỉ số CLEAR MOT (MOTA, MOTP, FP, FN, IDSW) kết hợp các chỉ số nhận diện (IDF1, IDP, IDR, IDTP, IDFP, IDFN), tỷ lệ quỹ đạo (Mostly Tracked - MT, Mostly Lost - ML) và tốc độ khung hình (FPS) để đánh giá.

  • Tác giả tiến hành thử nghiệm so sánh chéo các kết hợp giữa trình phát hiện (YOLOv3, YOLOX, PP-YOLOE) và các thuật toán theo vết (DeepSORT, FairMOT, ByteTrack, OC-SORT) trên cả hai tập dữ liệu VisDrone-MOT2021 và UIT-DroneMOT.
  • Chương này cũng trình bày các kịch bản thực nghiệm chéo tập dữ liệu (huấn luyện trên UIT-DroneMOT đánh giá trên VisDrone-MOT2021 và ngược lại) nhằm kiểm tra khả năng tổng quát hóa của mô hình.
  • Phân hệ ứng dụng minh họa trên nền tảng web được mô tả chi tiết từ kiến trúc thành phần, biểu đồ use case đến luồng thao tác thực tế của người dùng.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được về mặt lý thuyết, bộ dữ liệu và thực nghiệm mô hình. Tác giả chỉ ra các hạn chế tồn tại của hệ thống liên quan đến độ trễ tính toán và hiện tượng mất dấu khi mật độ đối tượng quá cao, đồng thời đề xuất các hướng mở rộng kỹ thuật cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm định lượng

Các mô hình đạt được các kết quả nổi bật trên hai bộ dữ liệu thực nghiệm:

  • Trên bộ dữ liệu VisDrone-MOT2021:
    • Thuật toán ByteTrack kết hợp trình phát hiện YOLOv3 đạt chỉ số độ chính xác theo dõi đa đối tượng MOTA cao nhất trong các cấu hình so sánh (đạt trên 5%).
    • Trình phát hiện PP-YOLOE khi tích hợp vào hệ thống theo vết đem lại chỉ số F1 nhận diện (IDF1) cao nhất, đạt 28.xx%.
    • Mô hình FairMOT với kiến trúc mạng xương sống HRNetV2-W18 ghi nhận lượng dương tính giả (FP = 896) và âm tính giả (FN = 8.564) thấp nhất; số lần chuyển đổi định danh (ID switches - IDSW) chỉ 12 lần và số lần phân mảnh quỹ đạo (fragmentation) thấp nhất là 77 lần.
  • Trên bộ dữ liệu UIT-DroneMOT:
    • Phương pháp OC-SORT sử dụng detector YOLOX cho thấy hiệu năng vượt trội với MOTA đạt 53.00% và IDF1 đạt 69.10%, cao hơn đáng kể so với cấu hình thấp nhất (vượt hơn 45% về khoảng cách chỉ số). Phương pháp này cũng dẫn đầu ở các độ đo IDR, MT và giảm thiểu tỷ lệ quỹ đạo bị mất (ML). Tuy nhiên, tốc độ xử lý của OC-SORT tương đối thấp, chỉ đạt 6.05 FPS.
    • Về độ chính xác định vị hộp giới hạn MOTP, thuật toán ByteTrack kết hợp YOLOv3 đạt kết quả tốt nhất là 26.40% (cao hơn cấu hình thấp nhất là OC-SORT + PP-YOLOE tới 7.5%), đồng thời tạo ra số lượng dự đoán dương tính giả thấp nhất toàn bảng với 1.744 trường hợp.

Đóng góp khoa học và ứng dụng của khóa luận

  1. Xây dựng bộ dữ liệu chuyên biệt: Hoàn thiện bộ dữ liệu không ảnh UIT-DroneMOT gồm 23 video, 13.195 hình ảnh độ phân giải 4K với 220.139 lượt gán nhãn xe máy, phản ánh chân thực bối cảnh và mật độ giao thông Việt Nam, tuân thủ quy trình kiểm tra chéo với độ đồng thuận trên 98%.
  2. Khảo sát và đánh giá toàn diện: Cung cấp báo cáo thực nghiệm chi tiết về các thuật toán phát hiện và theo vết SOTA (DeepSORT, FairMOT, ByteTrack, OC-SORT) khi triển khai trên góc nhìn UAV, phân tích sâu các ưu nhược điểm giữa phương pháp một giai đoạn (one-shot) và hai giai đoạn (tracking-by-detection).
  3. Hiện thực hóa giải pháp: Triển khai thành công mô hình đạt hiệu năng cao lên ứng dụng web demo, cung cấp đầy đủ giao diện tiếp nhận tệp, hiển thị trực quan vết chuyển động và trích xuất dữ liệu dự đoán.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận một số hạn chế kỹ thuật:

  • Tốc độ xử lý của mô hình đạt độ chính xác cao nhất (OC-SORT kết hợp YOLOX) chỉ đạt 6.05 FPS trên phần cứng GPU 11GB, chưa đáp ứng yêu cầu xử lý thời gian thực (real-time) đối với luồng video trực tiếp từ UAV.
  • Phạm vi thực nghiệm của khóa luận mới tập trung xử lý cho một lớp đối tượng đơn lẻ là xe máy (motorbike), chưa mở rộng đồng thời các lớp đối tượng giao thông khác có trong bộ dữ liệu (người đi bộ, ô tô, xe buýt, xe tải, xe đạp).
  • Hiện tượng mất dấu hoặc nhầm lẫn ID vẫn xảy ra trong các trường hợp xe máy di chuyển vào vùng bóng râm lớn, bị cây xanh che khuất hoàn toàn hoặc mật độ xe dừng đỗ quá sát nhau tại các nút giao.

Hướng phát triển tiếp theo được đề xuất:

  • Tối ưu hóa cấu trúc mạng (rút gọn tham số, áp dụng kỹ thuật lượng tử hóa) nhằm tăng tốc độ xử lý FPS đáp ứng thời gian thực trên các thiết bị tính toán nhúng gắn kèm drone.
  • Mở rộng huấn luyện và đánh giá mô hình trên toàn bộ 7 lớp đối tượng của bộ dữ liệu UIT-DroneMOT (Pedestrian, Motorbike, Car, Bus, Van, Truck, Bicycle).
  • Nghiên cứu cải tiến mô hình chuyển động và cơ chế bù trừ rung lắc camera của UAV nhằm nâng cao độ chính xác khi thiết bị bay cơ động mạnh.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên chuyên ngành: Ngành Công nghệ Thông tin, Khoa học Máy tính, Trí tuệ Nhân tạo và Kỹ thuật Dữ liệu đang nghiên cứu về thị giác máy tính, nhận dạng mẫu và bài toán theo dõi đa đối tượng.
  • Nhà nghiên cứu xử lý không ảnh: Cung cấp quy trình bài bản từ khâu xây dựng tài liệu hướng dẫn gán nhãn (guideline), tiền xử lý, kiểm tra độ đồng thuận dữ liệu đến định dạng tệp chuẩn hóa (JSON COCO và TXT MOT17).
  • Kỹ sư triển khai hệ thống: Tham khảo phương pháp cài đặt và tinh chỉnh các mô hình học sâu hiện đại trên framework PaddleDetection, kỹ thuật phân tích các chỉ số đánh giá chuyên sâu CLEAR MOT và kiến trúc triển khai ứng dụng web demo.

Câu hỏi thường gặp

1. Bộ dữ liệu UIT-DroneMOT có quy mô và cấu trúc phân chia như thế nào?

Bộ dữ liệu UIT-DroneMOT gồm 23 video với tổng cộng 13.195 ảnh chụp từ drone ở độ phân giải 4K (3840x2160), chứa 220.139 đối tượng xe máy được gán nhãn. Dữ liệu được chia thành: tập huấn luyện (12 video, 7.384 ảnh, 52.544 đối tượng), tập đánh giá (3 video, 1.798 ảnh, 41.456 đối tượng) và tập kiểm thử (8 video, 4.384 ảnh, 126.139 đối tượng). Nhãn được lưu dưới hai định dạng là JSON và TXT theo chuẩn MOT17.

2. Sự khác biệt cốt lõi giữa hai thuật toán theo vết ByteTrack và OC-SORT là gì?

ByteTrack tập trung cải tiến khâu liên kết hộp phát hiện bằng cách tận dụng cả các hộp có độ tin cậy thấp thông qua hai bước ghép cặp, sử dụng thuần túy thông tin chuyển động IoU từ bộ lọc Kalman mà không cần trích xuất đặc trưng Re-ID. Trong khi đó, OC-SORT tập trung khắc phục nhược điểm của giả định chuyển động tuyến tính và hiện tượng che khuất của bộ lọc Kalman bằng cách tiếp cận tập trung vào quan sát (observation-centric) với 3 cơ chế OOS (làm mịn trực tuyến), OCM (quán tính quan sát) và OCR (phục hồi vết dựa trên quan sát cuối cùng).

3. Mô hình nào đạt hiệu năng tổng thể cao nhất trên tập dữ liệu UIT-DroneMOT?

Trên bộ dữ liệu UIT-DroneMOT, phương pháp OC-SORT kết hợp trình phát hiện YOLOX đạt hiệu năng tổng thể vượt trội nhất với chỉ số MOTA đạt 53.00% và IDF1 đạt 69.10%, đồng thời đạt kết quả dẫn đầu ở các độ đo IDR và MT. Tuy nhiên, mô hình này có hạn chế về tốc độ khi chỉ đạt 6.05 FPS trên GPU RTX 2080 Ti.

4. Tại sao YOLOX lại chuyển từ kiến trúc Coupled Head sang Decoupled Head?

Trong các phiên bản YOLO truyền thống, Coupled Head chia sẻ cùng một nhánh tích chập cho cả nhiệm vụ phân loại và hồi quy hộp giới hạn, gây ra xung đột tối ưu giữa hai tác vụ có bản chất khác nhau. YOLOX tách thành Decoupled Head với các lớp tích chập riêng biệt cho từng nhánh, giúp giải quyết xung đột, tăng độ chính xác phát hiện và cải thiện đáng kể tốc độ hội tụ trong quá trình huấn luyện.

Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Minh Phú đã giải quyết trọn vẹn bài toán phát hiện và theo vết xe máy trong không ảnh từ góc nhìn thiết bị bay không người lái tại Việt Nam. Công trình có đóng góp thiết thực thông qua việc xây dựng bộ dữ liệu 4K chuẩn hóa UIT-DroneMOT và tiến hành đánh giá thực nghiệm toàn diện các kiến trúc học sâu tiên tiến (DeepSORT, FairMOT, ByteTrack, OC-SORT). Kết quả nghiên cứu khẳng định tính khả thi của mô hình thực nghiệm và tạo tiền đề vững chắc cho việc ứng dụng thị giác máy tính vào giám sát giao thông thông minh từ không ảnh.