Tổng quan về luận án
Trong kỷ nguyên bùng nổ dữ liệu đa phương tiện, bài toán tìm kiếm ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR) và tìm kiếm ảnh dựa trên ngữ nghĩa (Semantic-Based Image Retrieval - SBIR) đối mặt với hai thách thức cốt lõi: sự suy giảm hiệu năng khi chỉ mục dữ liệu đa chiều quy mô lớn và "khoảng cách ngữ nghĩa" (semantic gap) giữa các đặc trưng thị giác cấp thấp với nhận thức khái niệm cấp cao của con người. Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) với tiêu đề "Kết hợp cấu trúc R-Tree với đồ thị tri thức cho mô hình tìm kiếm ảnh" của nghiên cứu sinh Lê Thị Vĩnh Thanh, dưới sự hướng dẫn khoa học của PGS. Lê Mạnh Thạnh và TS. Văn Thế Thành tại Trường Đại học Khoa học – Đại học Huế (2023), là công trình tiên phong giải quyết đồng thời hai điểm nghẽn này bằng cách tích hợp cấu trúc chỉ mục không gian hình cầu cải tiến với biểu diễn ngữ nghĩa bằng đồ thị tri thức.
Research gap cốt lõi được luận án chỉ rõ bắt nguồn từ những hạn chế cố hữu của các cấu trúc chỉ mục cây không gian truyền thống và các hệ thống CBIR cổ điển. Cụ thể:
- Cấu trúc R-Tree nguyên thủy (Guttman, 1984) và R*-Tree (Beckmann et al., 1990) dựa trên hình chữ nhật bao đóng tối thiểu (Minimum Bounding Rectangle - MBR) gây ra hiện tượng diện tích chết lớn và mức độ chồng lấp không gian (spatial overlap) nghiêm trọng trong không gian đa chiều, dẫn đến việc giải thuật tìm kiếm phải duyệt nhiều đường dẫn từ gốc đến lá ("Việc tìm kiếm một đối tượng dựa trên cấu trúc R-Tree dẫn đến việc xét nhiều đường dẫn từ gốc đến lá, do đó kết quả giảm độ chính xác" - Trích Luận án).
- Các biến thể như SR-Tree (Katayama & Satoh, 1997; Vanitha et al., 2017) phải đồng thời lưu trữ và cập nhật cả MBR lẫn khối cầu bao đóng tối thiểu (Minimum Bounding Sphere - MBS), khiến chi phí tính toán giãn nở và kích thước bộ nhớ tại mỗi nút tăng vọt.
- Các mô hình CBIR cấp thấp thuần túy không thể nắm bắt mối quan hệ tương tác phức tạp giữa các thực thể trong ảnh, trong khi các tiếp cận đồ thị ngữ cảnh (Visual Scene Graph - VSG) đơn lẻ (Johnson et al., 2015) lại thiếu cơ chế lập chỉ mục không gian tối ưu để tăng tốc độ truy vấn trên tập dữ liệu hàng trăm nghìn ảnh.
Luận án thiết lập 3 câu hỏi nghiên cứu (Research Questions - RQ) và 3 giả thuyết khoa học (Hypotheses - H):
- RQ1: Làm thế nào để tối ưu hóa cấu trúc cây phân vùng không gian đa chiều nhằm giảm thiểu chi phí giãn nở, loại bỏ nhu cầu tái cấu trúc phức tạp và giảm chồng lấp dữ liệu đặc trưng thị giác?
H1: Cấu trúc phân cụm dạng khối cầu thuần nhất (RS-Tree) kết hợp tham số tịnh tiến bán kính $k \ge 2$ và thuật toán tách nút dựa trên độ lệch sai biệt sẽ giảm đáng kể chi phí tính toán và tăng độ chính xác tìm kiếm so với R-Tree và SR-Tree.
- RQ2: Cơ chế nào giúp duy trì tính liên tục của phân bố dữ liệu cục bộ giữa các cụm không gian liền kề trên cây chỉ mục?
H2: Việc tích hợp đồ thị cụm láng giềng (NBGraphRST) vào các nút lá của RS-Tree sẽ khắc phục hiện tượng phân mảnh vùng biên và nâng cao độ phủ (Recall) cùng độ dung hòa (F-measure).
- RQ3: Làm thế nào để liên kết biểu diễn đặc trưng cấp thấp với cấu trúc tri thức biểu nghĩa cấp cao nhằm giải quyết triệt để bài toán semantic gap?
H3: Khung tích hợp RS-Tree với Đồ thị tri thức (Knowledge Graph - KG) xây dựng theo chuẩn Web Ontology Language (OWL), kết hợp phát hiện đối tượng Faster R-CNN và truy vấn SPARQL, sẽ cải thiện vượt bậc Mean Average Precision (MAP) trên các tập dữ liệu đa đối tượng phức tạp.
Khung lý thuyết của luận án được định hình từ Lý thuyết phân vùng không gian đa chiều (Multidimensional Spatial Indexing Theory), Khung phân tầng truy hồi thông tin ảnh 3 cấp độ của Eakins (1999), Lý thuyết Đồ thị ngữ cảnh thị giác (Visual Scene Graph Theory - Johnson et al., 2015) và Chuẩn biểu diễn Web ngữ nghĩa của W3C (Berners-Lee et al., 2001). Phạm vi thực nghiệm của luận án bao quát 6 tập dữ liệu chuẩn quốc tế với tổng quy mô hơn 247.000 hình ảnh: COREL (1.000 ảnh, 10 lớp), Oxford Flowers 17 (1.360 ảnh, 17 lớp), Oxford Flowers 102 (8.198 ảnh, 102 lớp), CUB-2011-200 (11.778 ảnh, 200 lớp chim), Visual Genome (108.077 ảnh, 14,47 GB với trung bình 35 đối tượng/ảnh) và MS-COCO (118.287 ảnh, 80 lớp, 17,9 GB).
Literature Review và Positioning
Tổng quan tài liệu nghiên cứu quốc tế chỉ ra ba luồng nghiên cứu chính đang định hình lĩnh vực tìm kiếm ảnh:
TIẾN TRÌNH NGHIÊN CỨU TRUY HỒI HÌNH ẢNH
│
┌────────────────────────────────────┼────────────────────────────────────┐
▼ ▼ ▼
[1. Chỉ mục không gian] [2. Trích xuất đặc trưng] [3. Ngữ nghĩa & Đồ thị]
• R-Tree (Guttman, 1984) • Color/Texture/Shape • Semantic Web (Berners-Lee, 2001)
• R*-Tree (Beckmann, 1990) • CNN Features (Kumar, 2020) • Scene Graph (Johnson, 2015)
• SS/SR-Tree (White/Katayama) • 242-dim Hybrid Vector • GCN/ARN (Schroeder/Yang)
│ │ │
└────────────────────────────────────┼────────────────────────────────────┘
▼
[MÔ HÌNH TÍCH HỢP ĐỘT PHÁ CỦA LUẬN ÁN]
RS-Tree + NBGraphRST + OWL/SPARQL KG
Luồng thứ nhất tập trung vào cấu trúc chỉ mục dữ liệu đa chiều. Haldurai và cộng sự (2015) ứng dụng R-Tree kết hợp mờ hóa véc-tơ màu sắc và kết cấu; tuy nhiên, mô hình bộc lộ sự chậm trễ khi số chiều tăng. Abd Aziz và cộng sự (2014) đề xuất giảm chiều véc-tơ bằng S-Map trước khi nạp vào R-Tree, song việc mất mát thông tin cục bộ làm giảm độ chính xác truy vấn. Để khắc phục MBR, White và Jain (1996) đưa ra SS-Tree dùng hình cầu bao đóng, nhưng cơ chế ép chèn lại (forced reinsertion) khi nút tràn gây tốn kém chi phí tái cấu trúc cây nghiêm trọng. Vanitha và cộng sự (2017) phát triển SR-Tree tích hợp cả MBR và MBS trên tập ảnh COREL; dù cải thiện độ bao đóng nhưng dung lượng bộ nhớ mỗi nút tăng gấp đôi, làm giảm fan-out và tăng chiều cao cây.
Luồng thứ hai tập trung vào kỹ thuật trích xuất đặc trưng thị giác. Các nghiên cứu của Zenggang et al. (2021), Ashraf et al. (2020), Ahmed et al. (2019) và Nazir et al. (2018) chứng minh việc kết hợp đa đặc trưng (màu sắc HSV/MPEG-7, kết cấu Wavelet/Gabor/GLCM, hình dạng HOG/Hu-Moments) vượt trội hơn đặc trưng đơn lẻ. Dù học sâu (CNN) phát triển mạnh (Kumar et al., 2020), việc trích xuất đặc trưng thủ công kết hợp vẫn giữ ưu thế về chi phí tính toán và khả năng phân tích toán học chính xác mà không đòi hỏi tài nguyên huấn luyện GPU khổng lồ.
Luồng thứ ba giải quyết semantic gap thông qua biểu diễn tri thức. Johnson và cộng sự (2015) đặt nền móng cho truy vấn ảnh bằng Visual Scene Graph kết hợp mô hình trường ngẫu nhiên có điều kiện (CRF). Schroeder và cộng sự (2020) áp dụng mạng tích chập đồ thị (GCN) trên tập VG-COCO để dự đoán mức độ tương đồng đồ thị ngữ cảnh. Mạng quan hệ tập trung ARN (Attentive Relational Network) được phát triển nhằm tự động tạo đồ thị có trọng số từ không gian trực quan sang không gian ngữ nghĩa.
Về mặt tranh luận học thuật, tồn tại mâu thuẫn đối kháng sâu sắc giữa hai trường phái:
- Trường phái CBIR biểu diễn liên tục (Continuous Feature Space): Nhấn mạnh việc tối ưu hóa hàm khoảng cách (Euclidean, Manhattan) trên không gian véc-tơ đa chiều để đạt tốc độ xử lý phần cứng tối đa. Nhược điểm là hoàn toàn bất lực trước hiện tượng đồng nghĩa thị giác (visual polysemy) và khác biệt ngữ nghĩa (semantic ambiguity).
- Trường phái SBIR biểu diễn logic rời rạc (Discrete Symbolic/Graph Representation): Khẳng định tri thức biểu diễn dạng bộ ba RDF/OWL và Scene Graph là chìa khóa duy nhất mô tả chính xác ngữ cảnh phức tạp. Nhược điểm là độ phức tạp tính toán đối sánh đồ thị (subgraph isomorphism) thuộc lớp NP-đầy đủ, không thể mở rộng quy mô dữ liệu lớn nếu thiếu cấu trúc lọc chỉ mục hỗ trợ.
Luận án của NCS. Lê Thị Vĩnh Thanh định vị chính xác tại giao điểm của hai trường phái, tạo ra bước đột phá bằng mô hình hai pha: sử dụng RS-Tree (pha 1) như một bộ lọc không gian đa chiều tốc độ cao để thu hẹp không gian tìm kiếm, sau đó áp dụng Đồ thị tri thức OWL/SPARQL (pha 2) để đối sánh ngữ nghĩa chính xác tuyệt đối.
So sánh với hai công trình quốc tế tiêu biểu:
- So với nghiên cứu của Alfarrarjeh và cộng sự (2020) trên R*-Tree: Công trình của Alfarrarjeh bị nghẽn cổ chai khi dữ liệu tăng do chi phí tái cấu trúc cây khi chèn lại. RS-Tree của luận án thay thế hoàn toàn cơ chế chèn lại bằng thuật toán tách nút dựa trên độ lệch sai biệt, giúp thời gian xây dựng cây và tìm kiếm duy trì ổn định tuyến tính.
- So với nghiên cứu của Johnson và cộng sự (2015) trên Visual Genome: Mô hình CRF của Johnson đòi hỏi suy luận xác suất nặng nề trên toàn bộ cơ sở dữ liệu. Ngược lại, tiếp cận của luận án kết cấu hóa Visual Genome thành Ontology chuẩn W3C và sử dụng công cụ suy luận SPARQL kết hợp bộ lọc RS-Tree, giảm thời gian phản hồi truy vấn từ hàng chục giây xuống mức mili-giây.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng trực tiếp Lý thuyết chỉ mục không gian (Spatial Indexing Theory) khởi xướng bởi Guttman (1984) và phát triển bởi White & Jain (1996), đồng thời phát triển Lý thuyết mô hình hóa ngữ cảnh thị giác của Johnson et al. (2015).
MÔ HÌNH THỰC THỂ KHỐI CẦU TRÊN RS-TREE
┌─────────────────────────────────────────────────────────────┐
│ Nút trong SN │
│ MBS: Tâm c_n, Bán kính r_n, Con trỏ p │
└──────────────────────────────┬──────────────────────────────┘
│
┌───────────────────────┴───────────────────────┐
▼ ▼
┌──────────────────────────────┐ ┌──────────────────────────────┐
│ Nút lá SL1 │ │ Nút lá SL2 │
│ MBS: Tâm c_L, Bán kính r_L │ │ MBS: Tâm c_L, Bán kính r_L │
└──────────────┬───────────────┘ └──────────────────────────────┘
│
┌────────────┴────────────┐
▼ ▼
[Thực thể sp_ED1] [Thực thể sp_ED2]
Tâm c_sp, Bán kính r_sp Tâm c_sp, Bán kính r_sp
Khung lý thuyết toán học của thực thể khối cầu được thiết lập nghiêm ngặt: Cho véc-tơ đặc trưng $d$-chiều của ảnh $I$ là $\vec{f}I = (v{I1}, v_{I2}, \dots, v_{Id})$, khối cầu thực thể $sp_{ED}$ được định nghĩa bởi bộ $\langle MBS, oid \rangle$:
- Tâm khối cầu thực thể $\vec{c}{sp} = (c{I1}, c_{I2}, \dots, c_{Id})$ với:
$$c_{Ij} = v_{Ij} - a_{Ij}, \quad \text{trong đó } a_{Ij} = \frac{v_{Ij}}{k} \quad (k \ge 2, j = 1 \dots d)$$
- Bán kính khối cầu thực thể:
$$r_{sp} = \sqrt{\sum_{j=1}^d (c_{Ij} - v_{Ij})^2} = \sqrt{\sum_{j=1}^d \left(\frac{v_{Ij}}{k}\right)^2}$$
Mệnh đề lý thuyết 1 (Proposition 1): Khi tham số điều chế không gian $k > 2$, tâm khối cầu $\vec{c}{sp}$ tịnh tiến dọc theo phương của véc-tơ vị trí $\vec{OA}$ về phía điểm mút $A$. Hệ quả là bán kính $r{sp}$ co cụm lại, làm giảm thể tích bao đóng của thực thể trong không gian đa chiều, từ đó triệt tiêu không gian trống và giảm xác suất giao cắt giữa các cụm nút lá.
Mệnh đề lý thuyết 2 (Proposition 2 - Tâm và bán kính nút lá $S_L$): Với $k$ phần thể thực thể $sp_1, sp_2, \dots, sp_k$, tâm nút lá $\vec{c}L$ và bán kính nút lá $r_L$ được xác định bảo toàn biên:
$$\vec{c}L = \frac{1}{k}\sum{i=1}^k sp_i.\vec{c}i, \qquad r_L = \max{i=1 \dots k} \left( D{Eu}(\vec{c}_L, sp_i.\vec{c}_i) + sp_i.r_i \right)$$
Mệnh đề lý thuyết 3 (Proposition 3 - Thuật toán tách nút dựa trên độ lệch sai biệt): Thay vì sử dụng giải thuật chèn lại gây đệ quy vô hạn hoặc giải thuật chia MBR bậc hai phức tạp, luận án đề xuất tiêu chí phân chia tối ưu hóa phương sai khoảng cách. Khi nút lá tràn ($> M$ phần tử), hai phần tử có khoảng cách cực đại được chọn làm hai hạt nhân giống (seeds). Các phần tử còn lại được gán vào cụm có độ lệch sai biệt khoảng cách tới tâm cụm là cực tiểu, đảm bảo cực tiểu hóa mức độ giãn nở thể tích cầu: $\Delta V = \min$.
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp liền mạch ba trụ cột lý thuyết: (1) Cấu trúc cây phân cấp hình cầu RS-Tree, (2) Cấu trúc đồ thị cụm láng giềng liên kết NBGraphRST, và (3) Bản thể học tri thức ảnh Visual Knowledge Graph (VKG).
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ KHUNG PHÂN TÍCH TỔNG HỢP │
├───────────────────────────────────┬────────────────────────────────────────────────────┤
│ THÀNH PHẦN KHUNG PHÂN TÍCH │ ĐỊNH NGHĨA VÀ ĐÓNG GÓP ĐẶC THÙ │
├───────────────────────────────────┼────────────────────────────────────────────────────┤
│ 1. Trích xuất đặc trưng lai │ Véc-tơ 242 chiều tích hợp: MPEG-7 Color (25D), │
│ (Hybrid Feature Extraction) │ Shi-Tomasi MPEG-7 (25D), MaxPooling Sobel (48D), │
│ │ và Sobel HOG (144D). │
├───────────────────────────────────┼────────────────────────────────────────────────────┤
│ 2. Cây chỉ mục RS-Tree │ Phân hoạch không gian đa chiều dạng khối cầu MBS, │
│ (Region Sphere Tree) │ loại bỏ chi phí lưu trữ MBR kép của SR-Tree. │
├───────────────────────────────────┼────────────────────────────────────────────────────┤
│ 3. Đồ thị cụm láng giềng │ Kết nối các nút lá liền kề qua ngưỡng khoảng cách │
│ (NBGraphRST) │ $\theta$, giải quyết triệt để lỗi biên phân cụm. │
├───────────────────────────────────┼────────────────────────────────────────────────────┤
│ 4. Đồ thị tri thức W3C OWL/SPARQL │ Ánh xạ Visual Genome thành các bộ ba ngữ nghĩa │
│ (Visual Knowledge Graph) │ $\langle Subject, Predicate, Object \rangle$. │
└───────────────────────────────────┴────────────────────────────────────────────────────┘
Điều kiện biên (Boundary conditions): Khung phân tích giả định các véc-tơ đặc trưng cấp thấp được chuẩn hóa trên miền $[0, 1]$, hàm khoảng cách thỏa mãn bất đẳng thức tam giác trong không gian metric Euclid, và các đối tượng ngữ nghĩa trong ảnh được nhận diện với độ tin cậy của mạng Faster R-CNN đạt ngưỡng xác suất $P \ge 0.75$.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan khoa học thực chứng (Positivism) kết hợp phương pháp luận diễn dịch - thực nghiệm (Deductive-Empirical Paradigm). Quy trình nghiên cứu được thiết kế đa cấp độ (Multi-level Experimental Design):
- Cấp độ 1 (Low-level Feature Indexing): Đánh giá hiệu năng thuần túy của cấu trúc RS-Tree trên các bộ dữ liệu ảnh đơn đối tượng (Single-object datasets).
- Cấp độ 2 (Neighborhood Topology Optimization): Đánh giá cấu trúc kết hợp đồ thị láng giềng NBGraphRST trong việc bù đắp độ suy giảm biên.
- Cấp độ 3 (High-level Semantic Integration): Đánh giá mô hình tích hợp toàn diện SBIR_GraphRSTKG trên các bộ dữ liệu đa đối tượng phức tạp (Multi-object scene datasets).
Tiêu chí lựa chọn mẫu dữ liệu tuyệt đối chính xác: Lựa chọn toàn bộ các tập dữ liệu benchmark kinh điển trong thị giác máy tính nhằm đảm bảo tính tái lập và khả năng so sánh đối chuẩn quốc tế.
Quy trình nghiên cứu rigorous
Quy trình trích xuất đặc trưng véc-tơ đa chiều được tiêu chuẩn hóa theo cấu trúc 242 chiều:
- Đặc trưng màu sắc: Sử dụng bộ mô tả màu MPEG-7 (25 chiều) để nắm bắt phân bố sắc độ toàn cục.
- Đặc trưng vị trí: Bộ phát hiện điểm đặc trưng Shi-Tomasi kết hợp MPEG-7 (25 chiều) định vị các điểm bất biến cục bộ.
- Đặc trưng vị trí và kết cấu: MaxPooling Sobel (48 chiều) ghi nhận thông tin biên độ sáng và kết cấu định hướng.
- Đặc trưng hình dạng và kết cấu: Sobel HOG (Histogram of Oriented Gradients - 144 chiều) biểu diễn cấu trúc hình học chi tiết của vật thể.
Toàn bộ 242 giá trị đặc trưng được chuẩn hóa về khoảng $[0, 1]$. Độ đo khoảng cách Euclid giữa hai ảnh $I$ và $J$ được tính toán nghiêm ngặt:
$$D_{Eu}(I, J) = \sqrt{\sum_{i=1}^{242} (v_{Ii} - v_{Ji})^2}$$
Quy trình xây dựng đồ thị tri thức OWL từ Visual Genome:
- Trích xuất các thực thể phân lớp ảnh ($inClass$), đối tượng thể hiện ($OBJ$), thuộc tính đối tượng ($attr$) và quan hệ không gian/hành động giữa các cặp đối tượng ($opRel$).
- Thiết lập cấu trúc bản thể học bằng ngôn ngữ Web Ontology Language (OWL) với các định nghĩa bộ ba RDF: $\langle Cá_thể_ảnh \ - \ hasObject \ - \ Cá_thể_đối_tượng \rangle$, $\langle Cá_thể_đối_tượng \ - \ opRel \ - \ Cá_thể_đối_tượng \rangle$.
- Tích hợp mô hình mạng nơ-ron tích chập Faster R-CNN để phát hiện và gán nhãn đối tượng tự động trên ảnh truy vấn đầu vào trước khi sinh câu truy vấn đồ thị.
Data và phân tích
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ TỔNG HỢP CÁC BỘ DỮ LIỆU THỰC NGHIỆM │
├─────────────────────┬──────────────┬──────────────┬──────────────┬─────────────────────┤
│ TÊN TẬP DỮ LIỆU │ SỐ LƯỢNG ẢNH │ SỐ LƯỢNG LỚP │ DUNG LƯỢNG │ ĐẶC TRƯNG CỐT LÕI │
├─────────────────────┼──────────────┼──────────────┼──────────────┼─────────────────────┤
│ COREL │ 1.000 │ 10 │ 30,3 MB │ Đơn đối tượng chuẩn │
│ Oxford Flowers 17 │ 1.360 │ 17 │ 60,5 MB │ Loài hoa đặc thù │
│ Oxford Flowers 102 │ 8.198 │ 102 │ 1,09 GB │ Đa dạng sinh học │
│ CUB-2011-200 │ 11.778 │ 200 │ 1,09 GB │ Phân loại chim mịn │
│ Visual Genome (VG) │ 108.077 │ Đa dạng │ 14,47 GB │ 35 đối tượng/ảnh │
│ MS-COCO │ 118.287 │ 80 │ 17,9 GB │ Cảnh thực tế phong phú│
└─────────────────────┴──────────────┴──────────────┴──────────────┴─────────────────────┘
Môi trường thực nghiệm được thiết lập kiểm soát biến số chặt chẽ:
- Pha tiền xử lý và lập chỉ mục: Máy trạm CPU Intel Core i9 thế hệ 9 (8 nhân, 2.3 GHz), RAM 16GB 2666MHz, 1TB Flash Storage.
- Pha tìm kiếm và truy vấn trực tuyến: Máy PC CPU Intel Core i7-6500U @ 2.50GHz, 8.0GB RAM, hệ điều hành Windows 10 Pro 64-bit.
- Nền tảng phát triển: Microsoft .NET Framework 4.8, ngôn ngữ lập trình C#; phân tích dữ liệu thống kê và vẽ đường cong ROC/PR bằng MATLAB 2015b.
Các phép đo thống kê đánh giá hiệu năng gồm: Precision ($P$), Recall ($R$), F-measure ($F$), Mean Average Precision (MAP), Receiver Operating Characteristic (ROC), và Area Under the Curve (AUC).
Phát hiện đột phá và implications
Những phát hiện then chốt
-
RS-Tree vượt trội về tính ổn định và tốc độ truy vấn trên không gian đa chiều:
Trên tập ảnh COREL, thời gian truy vấn trung bình của RS-Tree đạt mức tối ưu vượt bậc so với R-Tree truyền thống và SR-Tree. Cụ thể, việc loại bỏ cấu trúc hình chữ nhật bao đóng MBR giúp giảm 42% kích thước bộ nhớ của mỗi nút chỉ mục, loại bỏ hoàn toàn chi phí tính toán biên giao cắt phức tạp.
-
Cải tiến thuật toán tách nút dựa trên độ lệch sai biệt nâng cao độ chính xác:
Trên các tập ảnh có độ tương đồng thị giác cao và độ biến thiên mịn như CUB-2011-200 (11.778 ảnh, 200 lớp) và Oxford Flowers 102 (8.198 ảnh, 102 lớp), RS-Tree đạt giá trị Precision tại Top-10 và Top-20 cao hơn có ý nghĩa thống kê so với các phương pháp trích xuất đặc trưng đơn lẻ và các biến thể R-Tree trước đây. Diện tích dưới đường cong AUC của biểu đồ Precision-Recall trên Oxford Flowers 17 đạt mức vượt trội.
-
Đồ thị láng giềng NBGraphRST bù đắp hoàn hảo hiện tượng mất mát dữ liệu vùng biên:
Khi tích hợp NBGraphRST với ngưỡng láng giềng $\theta$, hệ thống CBIR_NBGraphRST tăng chỉ số Recall lên từ 8.5% đến 14.2% trên cả 4 bộ dữ liệu đơn đối tượng. Điều này chứng minh giả thuyết rằng các đối tượng tương tự nằm ở hai nút lá khác nhau do phân chia không gian đã được kết nối lại nhờ các cạnh láng giềng trên đồ thị.
-
Mô hình kết hợp Đồ thị tri thức (SBIR_GraphRSTKG) giải quyết triệt để khoảng cách ngữ nghĩa:
Trên tập ảnh Visual Genome (108.077 ảnh) và MS-COCO (118.287 ảnh), mô hình SBIR_GraphRSTKG kết hợp Faster R-CNN, RS-Tree và truy vấn SPARQL đạt bước nhảy vọt về độ chính xác ngữ nghĩa. Hệ thống không chỉ trả về các hình ảnh có màu sắc, kết cấu tương đồng mà còn đảm bảo chính xác các quan hệ ngữ nghĩa phức tạp (ví dụ: truy vấn đối tượng "người đang cưỡi ngựa trên bãi biển" loại bỏ hoàn toàn các ảnh chỉ có "người" hoặc "ngựa" đơn lẻ).
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ SO SÁNH ĐỘ ĐO HIỆU SUẤT TRUY HỒI GIỮA CÁC PHƯƠNG PHÁP │
├───────────────────────────────┬───────────────────────────┬────────────────────────────┤
│ PHƯƠNG PHÁP │ PRECISION TRUNG BÌNH │ KHẢ NĂNG BẢO TOÀN NGỮ NGHĨA│
├───────────────────────────────┼───────────────────────────┼────────────────────────────┤
│ CBIR truyền thống (R-Tree) │ Cơ sở (Baseline) │ Thấp (Bị semantic gap) │
│ CBIR cải tiến (SR-Tree) │ Cải thiện +5.2% │ Thấp (Chỉ xét thị giác) │
│ Đề xuất 1: CBIR-RST │ Cải thiện +11.8% │ Trung bình (Đặc trưng 242D)│
│ Đề xuất 2: CBIR_NBGraphRST │ Cải thiện +16.4% │ Khá (Kết nối cụm biên) │
│ Đề xuất 3: SBIR_GraphRSTKG │ Đột phá vượt bậc (+28.6%) │ Rất cao (Đồ thị tri thức) │
└───────────────────────────────┴───────────────────────────┴────────────────────────────┘
Implications đa chiều
- Về mặt lý thuyết: Chứng minh tính khả thi của việc hợp nhất không gian metric liên tục (continuous metric spaces) với không gian biểu diễn tri thức tượng trưng rời rạc (symbolic discrete knowledge spaces), mở ra hướng đi mới cho các mô hình Neuro-Symbolic AI trong xử lý ảnh.
- Về mặt phương pháp luận: Cung cấp quy trình hoàn chỉnh từ trích xuất đặc trưng lai 242 chiều, phân cụm hình cầu MBS, tối ưu hóa đồ thị láng giềng đến mô hình hóa Ontology W3C/SPARQL có thể chuyển giao cho các dạng dữ liệu đa phương tiện khác như video và mô hình 3D.
- Về mặt thực tiễn: Đặt nền tảng thuật toán cho việc xây dựng các công cụ tìm kiếm ảnh y tế (chẩn đoán hình ảnh X-ray, MRI dựa trên triệu chứng và đặc trưng tổn thương), điều tra hình sự nhận dạng khuôn mặt và đối tượng, và quản lý thương mại điện tử trực quan.
Limitations và Future Research
Luận án thẳng thắn thừa nhận 4 hạn chế khoa học:
- Chi phí xây dựng đồ thị tri thức ban đầu: Quá trình khởi tạo và ánh xạ toàn bộ 108.077 ảnh của Visual Genome sang các bộ ba RDF/OWL đòi hỏi tài nguyên tính toán lớn và thời gian tiền xử lý đáng kể.
- Sự phụ thuộc vào độ chính xác của mạng phát hiện đối tượng: Hiệu năng của pha truy vấn ngữ nghĩa phụ thuộc một phần vào chất lượng phát hiện đối tượng của mạng Faster R-CNN; nếu giai đoạn nhận diện đối tượng bị gán nhãn sai, câu truy vấn SPARQL sinh ra có thể dẫn đến tập kết quả rỗng.
- Độ phức tạp tham số: Hệ thống yêu cầu tinh chỉnh tham số tịnh tiến $k$, dung lượng nút lá $M$, nút trong $N$ và ngưỡng láng giềng $\theta$ tương ứng với từng tập dữ liệu cụ thể.
- Chưa đánh giá trên môi trường dữ liệu phân tán quy mô Web: Toàn bộ thực nghiệm mới được triển khai trên kiến trúc máy tính đơn lẻ, chưa kiểm thử trên hệ thống tính toán đám mây phân tán quy mô hàng tỷ hình ảnh.
Chương trình nghiên cứu tiếp theo (Future Research Agenda):
- Phát triển cấu trúc RS-Tree phân tán (Distributed RS-Tree) trên nền tảng Apache Spark hoặc Apache Flink để xử lý dữ liệu lớn theo thời gian thực.
- Ứng dụng các mô hình ngôn ngữ - thị giác đa phương thức lớn (Vision-Language Foundation Models như CLIP, ViT) để tự động tạo sinh đồ thị tri thức động mà không cần thông qua các bước nhận diện đối tượng rời rạc.
- Nghiên cứu cơ chế tự động học tối ưu các siêu tham số ($k, \theta, M, N$) bằng học tăng cường (Reinforcement Learning).
- Mở rộng mô hình tìm kiếm kết hợp RS-Tree và KG sang lĩnh vực truy hồi chuỗi video giám sát giao thông và an ninh đô thị thông minh.
Tác động và ảnh hưởng
Công trình của NCS. Lê Thị Vĩnh Thanh mang lại tác động học thuật và ứng dụng sâu rộng:
- Ảnh hưởng học thuật: Mở ra hướng nghiên cứu liên ngành kết hợp cấu trúc dữ liệu không gian cổ điển với Web ngữ nghĩa hiện đại. Ước tính công trình có tiềm năng tạo ra hàng trăm trích dẫn trong các nghiên cứu về CBIR, SBIR và Spatial Database Indexing.
- Chuyển đổi công nghiệp: Cung cấp giải pháp công nghệ trực tiếp cho các doanh nghiệp thương mại điện tử, giúp khách hàng tìm kiếm sản phẩm chính xác theo mô tả ngữ cảnh phức tạp thay vì từ khóa đơn giản.
- Lĩnh vực y tế số: Ứng dụng trong việc lưu trữ và truy hồi hồ sơ bệnh án hình ảnh (PACS), hỗ trợ bác sĩ đối soát các ca bệnh tương đồng về cả hình thái tổn thương cấp thấp lẫn chẩn đoán bệnh học cấp cao.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết hoàn chỉnh, các công thức toán học tường minh về MBS, và mã nguồn thuật toán chỉ mục hình cầu kết hợp đồ thị láng giềng để phát triển các biến thể chỉ mục mới.
- Kỹ sư R&D Thị giác máy tính: Sở hữu giải pháp kiến trúc hệ thống tìm kiếm ảnh hai pha tối ưu, cân bằng hoàn hảo giữa tốc độ phản hồi mili-giây và độ chính xác ngữ nghĩa cấp cao.
- Nhà phát triển hệ thống cơ sở dữ liệu: Nắm bắt kỹ thuật lập chỉ mục dữ liệu đa chiều hiệu năng cao, giảm tải bộ nhớ so với R-Tree và SR-Tree truyền thống.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp lý thuyết độc đáo nhất là việc thiết lập mô hình thực thể khối cầu $sp_{ED}$ với công thức tịnh tiến tâm $\vec{c}_{sp} = \vec{v}_I - \vec{v}_I/k$ ($k \ge 2$) và thuật toán tách nút dựa trên độ lệch sai biệt. Công trình đã mở rộng trực tiếp Lý thuyết chỉ mục không gian đa chiều SS-Tree (White & Jain, 1996) bằng cách loại bỏ hoàn toàn cơ chế chèn lại gây tốn kém tính toán, đồng thời khắc phục triệt để nhược điểm kích thước nút phình to của SR-Tree (Katayama & Satoh, 1997).
2. Đột phá phương pháp luận của luận án khi so sánh với các công trình quốc tế tiền nhiệm?
Trả lời: So với cách tiếp cận R-Tree mờ của Haldurai et al. (2015) và R*-Tree của Alfarrarjeh et al. (2020), luận án tạo đột phá bằng việc kết hợp đồng thời ba tầng kiến trúc: Cây chỉ mục hình cầu RS-Tree (tối ưu hóa lọc không gian) $\rightarrow$ Đồ thị cụm láng giềng NBGraphRST (khắc phục phân mảnh biên) $\rightarrow$ Đồ thị tri thức W3C OWL/SPARQL (suy luận ngữ nghĩa chính xác).
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Trả lời: Phát hiện bất ngờ nhất là việc giảm kích thước bán kính thực thể khối cầu khi tăng $k > 2$ không hề làm mất mát các phần tử lân cận mà ngược lại làm tăng độ phân giải phân cụm của các nút lá, giúp đường cong Precision-Recall trên các bộ dữ liệu phân loại khó như CUB-2011-200 (200 lớp chim) và Oxford Flowers 102 duy trì độ chính xác cao ngay cả khi độ sâu cây tăng.
4. Luận án có cung cấp đầy đủ giao thức để tái lập thực nghiệm (Replication Protocol) không?
Trả lời: Có. Luận án mô tả chi tiết 242 chiều đặc trưng toán học, thông số phần cứng, nền tảng .NET Framework 4.8 / C# / MATLAB 2015b, cấu trúc bộ ba OWL, định dạng truy vấn SPARQL, và thực nghiệm trên 6 bộ dữ liệu chuẩn công khai toàn cầu (COREL, Oxford Flowers 17/102, CUB-2011-200, Visual Genome, MS-COCO).
5. Chương trình nghiên cứu 10 năm được phác thảo như thế nào?
Trả lời: Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Đưa RS-Tree lên kiến trúc phân tán đám mây và xử lý dữ liệu dòng (Streaming Big Data); (2) Tích hợp đồ thị tri thức đa phương thức tự động sinh bởi Large Vision-Language Models; (3) Ứng dụng hệ thống vào mạng lưới chẩn đoán y tế thông minh và thành phố thông minh toàn cầu.
Kết luận
Luận án tiến sĩ của NCS. Lê Thị Vĩnh Thanh là một công trình nghiên cứu xuất sắc, mẫu mực và có tính hệ thống cao trong chuyên ngành Khoa học máy tính. Bằng việc kết hợp nhuần nhuyễn giữa cấu trúc dữ liệu không gian tiên tiến và công nghệ Web ngữ nghĩa, luận án đã mang lại 5 đóng góp đột phá then chốt:
- Đề xuất thành công cấu trúc chỉ mục không gian hình cầu RS-Tree với mô hình thực thể khối cầu $sp_{ED}$ và thuật toán tách nút dựa trên độ lệch sai biệt, tối ưu hóa tốc độ và bộ nhớ so với R-Tree, R*-Tree, SS-Tree và SR-Tree.
- Xây dựng cấu trúc đồ thị cụm láng giềng NBGraphRST, giải quyết triệt để bài toán phân mảnh vùng biên phân cụm, nâng cao rõ rệt độ phủ và độ dung hòa.
- Thiết kế và hiện thực hóa khung Đồ thị tri thức chuẩn W3C OWL trên tập dữ liệu Visual Genome quy mô lớn (108.077 ảnh), kết hợp mạng Faster R-CNN và công cụ truy vấn SPARQL.
- Phát triển mô hình tìm kiếm ảnh hai pha toàn diện (SBIR_GraphRSTKG), thu hẹp thành công khoảng cách ngữ nghĩa giữa đặc trưng thị giác cấp thấp và khái niệm cấp cao.
- Thực nghiệm kiểm chứng quy mô lớn, toàn diện trên 6 tập dữ liệu benchmark quốc tế với hơn 247.000 hình ảnh, chứng minh tính ưu việt vượt trội của các giải pháp đề xuất.
Công trình không chỉ giải quyết trọn vẹn các câu hỏi nghiên cứu đặt ra mà còn thiết lập một chuẩn mực mới cho các hệ thống tìm kiếm ảnh thông minh thế hệ tiếp theo.
