Tổng quan luận án

Luận án tiến sĩ với tiêu đề "Learning-Based Approach for Vision Problems" (Phương pháp tiếp cận dựa trên học máy cho các bài toán thị giác máy tính) được thực hiện bởi nghiên cứu sinh Dan Kong, bảo vệ tại Đại học California, Santa Cruz (University of California, Santa Cruz - UCSC) vào tháng 12 năm 2006, dưới sự hướng dẫn của Giáo sư Chủ tịch hội đồng Hai Tao cùng các thành viên hội đồng là Giáo sư Roberto Manduchi và Giáo sư James Davis.

Về tính cấp thiết, việc ứng dụng các kỹ thuật học máy vào thị giác máy tính ("Learning for vision") là một định hướng quan trọng nhằm giải quyết các giới hạn của mô hình hình học và quang học thuần túy. Luận án chỉ ra ba thách thức kỹ thuật cốt lõi: lựa chọn biểu diễn dữ liệu phù hợp, khả năng tổng quát hóa của mô hình và kiểm soát độ phức tạp tính toán. Luận án khảo sát và đề xuất giải pháp học máy cho ba bài toán trải dài từ cấp độ thấp (low-level), cấp độ trung gian đến cấp độ cao (high-level):

  1. Bài toán so khớp Stereo (Stereo Correspondence): Khi giả định bất biến độ sáng (brightness constancy) bị vi phạm do cảm biến nhiễu hoặc độ lợi/độ lệch (gain/bias) giữa hai camera khác nhau, các thuật toán tối ưu hóa toàn cục dựa trên sai khác từng điểm ảnh đơn lẻ (single-pixel matching) như Graph Cuts (GC) hay Belief Propagation (BP) cho kết quả sai lệch nghiêm trọng. Ngược lại, các phương pháp cửa sổ tương quan (như Normalized Cross-Correlation - NCC) bền vững trước sự đổi sáng nhưng lại gây ra hiện tượng làm dày biên (fattening effect) và suy giảm độ chính xác ở vùng ít vân bề mặt.
  2. Bài toán siêu phân giải Video (Video Super-Resolution): Các phương pháp dựa trên tái tạo (reconstruction-based) hoặc học ảo ảnh (hallucination) trước đó gặp khó khăn trong việc kết hợp dữ liệu giữa các cảm biến có độ phân giải không-thời gian khác nhau và duy trì tính nhất quán, mượt mà giữa các khung hình kề nhau.
  3. Bài toán phát hiện và đếm người (Human Detection and Counting): Các phương pháp phân đoạn trừ nền truyền thống không thể đếm người đứng yên, trong khi việc nhận diện người trong điều kiện độ phân giải thấp và biến dạng phối cảnh đòi hỏi cơ chế học phân loại có giám sát bền vững.

Mục tiêu và câu hỏi nghiên cứu của luận án được cấu trúc tương ứng qua ba phần:

  • Mục tiêu 1: Phát triển phương pháp học hành vi so khớp của tập hợp các chuyên gia cục bộ (local experts) từ dữ liệu độ sâu chuẩn (ground truth) và tích hợp vào mô hình xác suất MAP-MRF để ước lượng độ sâu khi hai ảnh stereo có cường độ sáng khác biệt.
  • Mục tiêu 2: Xây dựng khung siêu phân giải video kết hợp ảnh tĩnh độ phân giải cao và chuỗi video độ phân giải thấp thông qua việc học phân phối tiên nghiệm phác thảo cơ bản (primal sketch priors) đặc thù theo khung cảnh, kết hợp mô hình trường ngẫu nhiên điều kiện (CRF) để bảo đảm độ mượt thời gian.
  • Mục tiêu 3: Xây dựng hai mô hình đếm người: mô hình hồi quy mạng nơ-ron 3 lớp sử dụng đặc trưng diện tích vệt (blob) kết hợp hướng cạnh, và mô hình phát hiện trực tiếp đa tỷ lệ sử dụng Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) có kỹ thuật nạp mẫu khó (bootstrapping).

Về đối tượng và phạm vi:

  • Đối tượng nghiên cứu: Cặp ảnh stereo hai góc nhìn; chuỗi video độ phân giải thấp kết hợp ảnh tĩnh độ phân giải cao; hình ảnh người đi bộ và đám đông trong video giám sát.
  • Phạm vi không gian và dữ liệu: Tập dữ liệu chuẩn Middlebury Stereo Benchmark (Tsukuba, Sawtooth, Venus, Map, Teddy, Cones), cơ sở dữ liệu ảnh CMU VASC (bộ ảnh "face"); chuỗi video thực nghiệm độ phân giải thấp (plant, face, keyboard, chuẩn nén MPEG-4); cơ sở dữ liệu phát hiện người MIT và INRIA, cùng các video giám sát thực tế tại khuôn viên trường UCSC và đường phố Bắc Kinh (Trung Quốc).

Tổng quan tài liệu và vị trí của luận án

Luận án phân loại và điểm lại các công trình nghiên cứu thuộc ba lĩnh vực chính:

1. Các phương pháp so khớp Stereo hai góc nhìn

  • So khớp từng điểm ảnh (Pixelwise matching): Birchfield và Tomasi [11] đề xuất hàm đo sai khác điểm ảnh đối xứng giúp giảm nhạy cảm với việc lấy mẫu rời rạc và nhiễu, nhưng dễ thất bại khi có hiện tượng thay đổi cường độ sáng toàn cục.
  • So khớp dựa trên cửa sổ (Window-based matching): Kanade và Okutomi [63], Boykov và cộng sự [17], Veksler [131, 132] phát triển các kỹ thuật cửa sổ thích ứng về hình dạng và kích thước; Fusiello và cộng sự [40], Bobick và Intille [16] đề xuất phương pháp đa cửa sổ; Scharstein và Szeliski [112, 113] sử dụng khuếch tán phi tuyến.
  • Phương pháp hợp tác (Cooperative methods): Marr và Poggio [87], Zitnick và Kanade [143] tối ưu hóa trong không gian 3D tương ứng bằng cơ chế kích thích và ức chế lặp.
  • Quy hoạch động (Dynamic programming): Geiger và cộng sự [43], Ishikawa và Geiger [58], Belhumeur [10], Cox và cộng sự [27] giải quyết bài toán tìm đường đi chi phí tối thiểu trên từng đường quét (scanline) dựa trên ràng buộc thứ tự và điểm kiểm soát mặt đất (GCP) [16].
  • Mô hình trường ngẫu nhiên Markov (MRF-based methods): Boykov, Veksler, Zabih [18], Kolmogorov và Zabih [66] ứng dụng thuật toán Graph Cuts (GC); Sun, Zheng, Shum [121] và Felzenszwalb, Huttenlocher [37] sử dụng thuật toán lan truyền niềm tin (Belief Propagation - BP). Các nghiên cứu học tiên nghiệm MRF của Freeman và cộng sự [25], Roth và Black [108, 109].
  • Phương pháp dựa trên phân đoạn (Segmentation-based methods): Tao và cộng sự [125], Hong và Chen [54], Zhang và Kambhamettu [141] khai thác giả định tính liên tục độ sâu trong các vùng màu đồng nhất.
  • Xử lý vi phạm giả định độ sáng: Kim và cộng sự [64] tích hợp thông tin hỗ tương (mutual information) vào Graph Cuts; Bhat và Nayar [5] kết hợp cửa sổ cục bộ với tối ưu toàn cục nhưng giới hạn cửa sổ không quá 2 mức độ sâu.

2. Các phương pháp siêu phân giải ảnh và video

Luận án phân tích hai nhánh chính: các phương pháp dựa trên tái tạo (reconstruction-based) vốn đòi hỏi căn chỉnh chuyển động mức dưới điểm ảnh (sub-pixel registration) và dễ nhạy cảm với nhiễu; cùng các phương pháp dựa trên học (learning-based / hallucination) sử dụng các khối ảnh mẫu (example-based) hoặc tiên nghiệm phác thảo cơ bản (primal sketch).

3. Các phương pháp phát hiện và ước lượng số lượng người

Luận án điểm lại các mô hình phân đoạn tiền cảnh, trích xuất đặc trưng hình thái học và các kiến trúc mạng nơ-ron phân loại cục bộ trong xử lý video giám sát.

Khoảng trống luận án lựa chọn giải quyết

  • Thay vì chỉ học các tiên nghiệm trạng thái (priors) của cảnh vật, luận án đề xuất việc mô hình hóa và học xác suất hành vi của một họ thuật toán so khớp cục bộ (36 chuyên gia NCC).
  • Khắc phục sự thiếu hụt cơ chế ràng buộc liên khung hình trong siêu phân giải video bằng cách tích hợp từ điển phác thảo đặc thù theo khung cảnh kết hợp mô hình chuỗi thời gian CRF.
  • Kết hợp học đặc trưng hình học/hướng cạnh với mô hình hồi quy và áp dụng mạng nơ-ron tích chập đa tỷ lệ có khả năng tự nạp mẫu khó để đếm người trong video độ phân giải thấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

  • Hình học Stereo: Dựa trên hình học epipolar không hội tụ (nonverged geometry), phép nắn chỉnh ảnh (rectification) chuyển không gian tìm kiếm 2D thành bài toán tìm kiếm 1D dọc theo các đường quét ngang song song. Chiều sâu được tính theo nguyên lý tam giác lượng: $$z = \frac{f \cdot T}{d}$$ trong đó $f$ là tiêu cự, $T$ là khoảng cách đường đáy (baseline), và $d$ là độ lệch thị sai (disparity).
  • Các ràng buộc cổ điển: Ràng buộc bất biến màu sắc/độ sáng (color constancy), ràng buộc tính duy nhất (uniqueness) và ràng buộc tính liên tục (continuity) theo Marr và Poggio [87].
  • Mô hình thống kê và tối ưu hóa: Khung suy diễn hậu nghiệm cực đại trên trường ngẫu nhiên Markov (MAP-MRF), thuật toán lấy mẫu xác suất Metropolis-Hastings, lý thuyết thông tin (tối thiểu hóa entropy cho lựa chọn bin thích ứng), và trường ngẫu nhiên điều kiện (CRF) cho dữ liệu chuỗi thời gian.
  • Hình học phối cảnh mặt phẳng: Phép biến đổi đồng điều (homography) hiệu chỉnh độ biến dạng kích thước đối tượng theo khoảng cách camera.

Phương pháp nghiên cứu thực tế

  • Định lượng và thực nghiệm tính toán:
    • Thiết lập tập hợp 36 chuyên gia cục bộ (experts) dựa trên phép tính tương quan chéo chuẩn hóa (NCC) với 4 mức kích thước cửa sổ ($3 \times 3, 5 \times 5, 7 \times 7, 9 \times 9$) và 9 vị trí đặt tâm cửa sổ.
    • Xây dựng biểu đồ tần suất nhiều chiều (multidimensional histograms) để ước lượng phân phối có điều kiện $P_k(l_i \mid D, I)$, phân loại hành vi so khớp thành 3 trạng thái: $T$ (khớp đúng độ sâu thực), $FG$ (khớp sang độ sâu tiền cảnh gần nhất), và $B$ (khớp sai khác).
    • Áp dụng phân đoạn màu Mean-shift kết hợp phân đoạn độ sâu dựa trên lọc trung vị SSD để tạo thành các siêu điểm ảnh (super-pixels), giúp giảm không gian tìm kiếm của thuật toán Metropolis-Hastings.
    • Sử dụng ngân hàng bộ lọc (filter bank) để trích xuất primitive cho mô hình siêu phân giải; đo độ mờ tương đối (relative blurriness measure) để chọn khung hình huấn luyện.
    • Huấn luyện mạng nơ-ron tích chập (CNN) đa tỷ lệ với kích thước cửa sổ mẫu $16 \times 32$ điểm ảnh, áp dụng thuật toán bootstrapping nạp các mẫu dương tính giả (false positives) vào tập huấn luyện qua các vòng lặp.
  • Nguồn tư liệu và dữ liệu: Toàn bộ thử nghiệm sử dụng các tập dữ liệu ảnh và video thực nghiệm có sẵn trong cộng đồng nghiên cứu thị giác máy tính và dữ liệu video do tác giả trực tiếp thu thập.

Nội dung chính theo từng chương

Chapter 1: Introduction

Chương 1 trình bày tổng quan về bài toán tái tạo cấu trúc 3D từ cặp ảnh stereo hai góc nhìn. Tác giả phân tích ba thành phần cơ bản của hệ thống stereo: hiệu chuẩn camera (calibration), xác định điểm tương ứng (correspondence) và tính toán tam giác lượng (triangulation). Đồng thời, chương này phân tích các ràng buộc nền tảng gồm bất biến màu sắc, hình học epipolar, tính duy nhất và tính liên tục.

Chapter 2: Related Work and Motivation

Chương 2 phân loại chi tiết các phương pháp stereo thành: so khớp điểm ảnh, so khớp cửa sổ, phương pháp hợp tác, quy hoạch động, phương pháp MRF, phương pháp dựa trên phân đoạn và so khớp đối xứng. Tác giả đưa ra 3 quan sát thực nghiệm then chốt:

  1. Giả định bất biến độ sáng thường xuyên bị phá vỡ trong thực tế, khiến BP và GC dựa trên điểm ảnh đơn lẻ thất bại;
  2. Phương pháp cửa sổ NCC bền vững với sự thay đổi độ sáng nhưng gây ra hiện tượng làm dày biên và lỗi ở vùng ít vân bề mặt;
  3. Hành vi so khớp của cửa sổ tương quan là một hàm số phụ thuộc trực tiếp vào độ mạnh của vân bề mặt (texture strength) và khoảng cách hình học tới vật thể tiền cảnh gần nhất.
+-------------------------------------------------------------------------+
|                  CÁC QUAN SÁT THỰC NGHIỆM TRONG STEREO                   |
+-------------------------------------------------------------------------+
| Quan sát I   | Khi độ sáng hai ảnh khác biệt: BP/GC thất bại; NCC cục bộ |
|              | giữ được cấu trúc thô nhưng sai lệch tại biên.           |
+--------------+----------------------------------------------------------+
| Quan sát II  | Cửa sổ nhỏ cho kết quả tốt ở vùng giàu vân bề mặt; cửa   |
|              | sổ lớn phù hợp vùng ít vân bề mặt; tâm lệch giúp tránh   |
|              | hiện tượng làm dày biên tại ranh giới độ sâu.           |
+--------------+----------------------------------------------------------+
| Quan sát III | Hành vi của 36 chuyên gia NCC tuân theo phân phối có điều|
|              | kiện của cấu trúc hình học và cường độ vân bề mặt.      |
+-------------------------------------------------------------------------+

Chapter 3: The Approach

Chương 3 trình bày mô hình toán học biểu diễn hành vi của 36 chuyên gia so khớp. Phân phối xác suất có điều kiện $P_k(l_i \mid D, I)$ được ước lượng thông qua biểu đồ tần suất nhiều chiều với các bin được phân chia thích ứng dựa trên lý thuyết thông tin (tối thiểu hóa kỳ vọng entropy). Hàm hợp lý có trọng số (weighted likelihood) kết hợp 36 chuyên gia được tích hợp vào mô hình xác suất MAP-MRF. Để tìm nghiệm tối ưu toàn cục, thuật toán Metropolis-Hastings được triển khai trên các siêu điểm ảnh tạo bởi phép phân đoạn kết hợp màu sắc Mean-shift và độ sâu lọc trung vị SSD.

Chapter 4: Results and Discussion

Chương 4 công bố kết quả thực nghiệm của phương pháp stereo trên các tập dữ liệu chuẩn Middlebury (Tsukuba, Sawtooth, Venus, Map, Teddy, Cones) và bộ ảnh "face" từ cơ sở dữ liệu CMU VASC. Trong kịch bản kiểm thử với các cặp ảnh bị thay đổi độ sáng, thuật toán đề xuất khắc phục được hiện tượng làm dày biên và triệt tiêu lỗi so khớp tại vùng trơn nhẵn, vượt trội so với các phương pháp BP, GC và NCC đơn lẻ.

Chapter 5: Introduction and Related Work

Chương 5 mở đầu Phần II của luận án, tổng kết các công trình nghiên cứu về siêu phân giải video. Tác giả phân tích ưu và nhược điểm của các tiếp cận dựa trên tái tạo (reconstruction-based) và dựa trên học (learning-based), chỉ ra sự cần thiết phải khai thác các thông tin tiên nghiệm có cấu trúc sắc nét cho video.

Chapter 6: Primal Sketch Priors

Chương 6 phân tích lý thuyết về biểu diễn phác thảo cơ bản (primal sketch). Bằng việc sử dụng ngân hàng bộ lọc định hướng, ảnh được phân rã thành các nguyên thủy hình học (primitives) như đường biên, góc và đường nét. Tác giả chứng minh rằng việc học tiên nghiệm trên không gian primitive mang lại khả năng tái tạo các chi tiết biên sắc nét vượt trội so với việc học trên các khối ảnh (patches/components) thông thường.

Chapter 7: Video Super-resolution

Chương 7 thiết lập khung thuật toán siêu phân giải video hoàn chỉnh. Hệ thống kết hợp ảnh chụp tĩnh độ phân giải cao và chuỗi video độ phân giải thấp để xây dựng từ điển tiên nghiệm đặc thù theo khung cảnh ($D_s$), vượt trội hơn từ điển tổng quát ($D_g$) trên các đường cong ROC về tính đầy đủ (sufficiency) và tính dự đoán (predictability). Để loại bỏ hiện tượng nhấp nháy giữa các khung hình, tác giả thiết lập mô hình Trường ngẫu nhiên điều kiện (CRF) áp đặt ràng buộc mượt theo thời gian.

Chapter 8: Implementation and Results

Chương 8 mô tả chi tiết quy trình thực thi thuật toán: sử dụng độ đo độ mờ tương đối để tự động chọn khung hình huấn luyện tối ưu. Thử nghiệm được tiến hành trên 4 chuỗi video: plant ($240 \times 160 \rightarrow 720 \times 480$), face ($240 \times 160 \rightarrow 720 \times 480$), keyboard ($160 \times 120 \rightarrow 640 \times 480$) và chuỗi video nén MPEG-4 ($117 \times 96 \rightarrow 352 \times 288$). Kết quả định lượng được đánh giá qua sai số RMS trên 20 khung hình đầu tiên, chứng minh chất lượng tái tạo vượt trội so với phép nội suy Bicubic và phương pháp siêu phân giải độc lập từng khung hình.

Chapter 9: Discussion

Chương 9 thảo luận sâu về các đặc tính của mô hình siêu phân giải: phân tích hiện tượng đồng xuất hiện của các primitive (primitive co-occurrence), sự tương quan giữa kích thước từ điển và độ chính xác dự đoán, cùng khả năng ứng dụng của mô hình trong các điều kiện nén suy hao như chuẩn MPEG-4.

Chapter 10: Introduction and Related Work

Chương 10 mở đầu Phần III, điểm luận các nghiên cứu về phát hiện và đếm người trong giám sát an ninh. Chương phân tích các thách thức do mật độ người dày đặc, che khuất lẫn nhau và sự thay đổi tỷ lệ do phép chiếu phối cảnh từ camera gắn trên cao.

Chapter 11: Human Counting: A Regression Approach

Chương 11 đề xuất giải pháp đếm người theo hướng hồi quy:

  • Tách tiền cảnh bằng phương pháp trừ nền kết hợp dò biên qua phép toán logic AND;
  • Hiệu chỉnh phối cảnh bằng phép biến đổi đồng điều mặt phẳng nền (homography) trên vùng quan tâm (ROI);
  • Huấn luyện mạng nơ-ron truyền thẳng 3 lớp với đầu vào là biểu đồ diện tích vệt (blob) và biểu đồ hướng cạnh đã chuẩn hóa; đầu ra là độ đo mức độ đông đúc (crowdedness measure).
  • Đánh giá kiểm định chéo (cross-validation) để chọn số lượng nơ-ron ẩn và thử nghiệm thực tế tại hai địa điểm giám sát Site A và Site B.

Chapter 12: Human Counting: A Detection-based Approach

Chương 12 giải quyết hạn chế của phương pháp hồi quy (không đếm được người đứng yên) bằng cách xây dựng mô hình phát hiện trực tiếp dựa trên Mạng nơ-ron tích chập (CNN). Bộ phát hiện quét qua mọi vị trí và tỷ lệ trên ảnh với kích thước mẫu chuẩn $16 \times 32$. Thử nghiệm trên cơ sở dữ liệu MIT và INRIA cho thấy mô hình đạt tỷ lệ phát hiện cao. Luận án áp dụng quy trình nạp mẫu khó (bootstrapping with hard examples) để triệt tiêu các cảnh báo giả, và thử nghiệm thành công trên chuỗi video thực tế tại hiệu sách UCSC và đường phố Bắc Kinh.

+-------------------------------------------------------------------------+
|                  SO SÁNH HAI PHƯƠNG PHÁP ĐẾM NGƯỜI                      |
+-------------------------------------------------------------------------+
| Đặc trưng          | Phương pháp hồi quy (Ch. 11) | Phương pháp CNN (Ch. 12)|
+--------------------+-----------------------------+-------------------------+
| Đầu vào            | Mask trừ nền & hướng cạnh   | Điểm ảnh thô đa tỷ lệ   |
| Mô hình            | Mạng nơ-ron 3 lớp           | Mạng tích chập (CNN)    |
| Xử lý phối cảnh    | Homography mặt phẳng nền    | Bộ quét đa tỷ lệ        |
| Đếm người đứng yên | Không đếm được              | Đếm được                |
| Dữ liệu kiểm thử   | Video Site A, Site B        | MIT, INRIA, UCSC, Bắc Kinh|
+-------------------------------------------------------------------------+

Chapter 13: Conclusions and Future work

Chương 13 tổng kết toàn bộ các đóng góp chính của luận án trên ba bài toán thị giác máy tính, khẳng định tính hiệu quả của việc học các hành vi thuật toán và tri thức tiên nghiệm. Đồng thời, tác giả vạch ra các hướng nghiên cứu tiếp theo nhằm tối ưu hóa thuật toán và mở rộng phạm vi ứng dụng.


Kết quả và những đóng góp mới

Những đóng góp mới về mặt lý luận và học thuật

  1. Khái niệm học hành vi thuật toán (Learning algorithm behaviors): Lần đầu tiên đề xuất cơ chế học phân phối xác suất hành vi của một họ thuật toán so khớp cục bộ (36 chuyên gia NCC) từ ground truth dựa trên các đặc trưng vân bề mặt và cấu hình hình học cục bộ, thay vì chỉ học tiên nghiệm về ảnh.
  2. Mô hình kết hợp đa chuyên gia MAP-MRF: Xây dựng hàm hợp lý có trọng số tích hợp các chuyên gia cục bộ vào khung tối ưu hóa toàn cục, kết hợp phân đoạn siêu điểm ảnh để giải bài toán tối ưu bằng thuật toán Metropolis-Hastings.
  3. Mô hình siêu phân giải kết hợp cảm biến không-thời gian: Kết hợp dữ liệu từ máy ảnh tĩnh độ phân giải cao và video độ phân giải thấp qua từ điển phác thảo cơ bản đặc thù khung cảnh ($D_s$), ràng buộc tính mượt liên khung hình bằng mô hình đồ thị CRF.
  4. Hệ thống đếm người hai tầng: Đề xuất mô hình hồi quy đặc trưng hình học kết hợp homography và mô hình CNN phát hiện đa tỷ lệ có cơ chế nạp mẫu khó tự động.

Bảng tổng hợp các tập dữ liệu và kết quả định lượng trong luận án

Lĩnh vực nghiên cứu Tập dữ liệu / Kịch bản thử nghiệm Phương pháp đề xuất Phương pháp so sánh Tiêu chí đánh giá & Kết quả ghi nhận
Stereo Matching (Part I, Ch. 4) Middlebury Stereo (Tsukuba, Sawtooth, Venus, Map, Teddy, Cones), CMU VASC Face Weighted Likelihood MAP-MRF (36 experts) + Segmentation 7x7 NCC, 9x9 NCC, Belief Propagation (BP), Graph Cuts (GC) Triệt tiêu fattening effect; tái tạo chính xác độ sâu khi 2 ảnh bị lệch cường độ sáng (Table 4.1, 4.2).
Super-Resolution (Part II, Ch. 8) Video chuỗi Plant ($240 \times 160$), Face ($240 \times 160$), Keyboard ($160 \times 120$), MPEG-4 ($117 \times 96$) Scene-specific Primal Sketch Priors ($D_s$) + CRF Bicubic Interpolation, Independent Frame Super-Resolution Sai số RMS trên 20 khung hình thấp hơn rõ rệt; loại bỏ nhấp nháy thời gian; tăng độ nét biên (Figure 8.3 - 8.7).
Human Detection (Part III, Ch. 12) MIT Pedestrian Database, INRIA Database (Kích thước mẫu $16 \times 32$) Multi-scale CNN + Bootstrapping hard examples Mạng CNN trước bootstrapping Ma trận nhầm lẫn (Table 12.1, 12.2); tỷ lệ phát hiện cao, triệt tiêu báo động giả sau khi nạp mẫu khó.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong văn bản

  • Thời gian tính toán và hội tụ: Quá trình tối ưu hóa MAP-MRF bằng thuật toán Metropolis-Hastings đòi hỏi nhiều vòng lặp để đạt trạng thái hội tụ, gây hạn chế cho các ứng dụng thời gian thực.
  • Phụ thuộc vào chất lượng phân đoạn ban đầu: Hiệu quả giảm không gian tìm kiếm trong stereo phụ thuộc vào kết quả phân đoạn màu Mean-shift và lọc trung vị SSD ban đầu.
  • Hạn chế của phương pháp trừ nền: Phương pháp đếm người dựa trên hồi quy mạng nơ-ron 3 lớp phụ thuộc hoàn toàn vào bước tách tiền cảnh chuyển động, do đó không thể nhận diện và đếm những người đứng bất động trong thời gian dài.

Hướng nghiên cứu tiếp theo

  • Mở rộng cơ chế học hành vi thuật toán sang các họ giải thuật thị giác khác ngoài NCC.
  • Phát triển các thuật toán xấp xỉ xác suất nhanh hơn nhằm đẩy nhanh tốc độ giải bài toán MAP-MRF.
  • Nghiên cứu tối ưu hóa việc tổ chức và truy xuất từ điển primal sketch để giảm chi phí bộ nhớ và thời gian suy diễn trong siêu phân giải video.
  • Áp dụng kiến trúc CNN phát hiện người vào các môi trường giám sát quy mô lớn với mật độ đám đông cực kỳ phức tạp.

Giá trị tham khảo

Luận án là tài liệu tham khảo cho:

  • Nghiên cứu sinh và học viên cao học ngành Thị giác máy tính và Xử lý ảnh: Cung cấp cơ sở toán học và phương pháp luận về việc tích hợp học máy vào các mô hình đồ thị xác suất (MRF, CRF) và mạng nơ-ron (CNN, hồi quy đa lớp).
  • Kỹ sư phát triển hệ thống 3D và Robotics: Cung cấp giải pháp xử lý sai lệch độ sáng và làm dày biên trong hệ thống camera stereo hai mắt thông qua cơ chế kết hợp đa chuyên gia cửa sổ thích ứng.
  • Nhà phát triển thuật toán phục chế video và giám sát thông minh: Tham khảo quy trình xây dựng từ điển đặc thù khung cảnh để tăng cường chất lượng video, cùng quy trình huấn luyện CNN đa tỷ lệ kết hợp kỹ thuật nạp mẫu khó để phát hiện đối tượng ở độ phân giải thấp.

Câu hỏi thường gặp

1. Tại sao các thuật toán tối ưu toàn cục dựa trên điểm ảnh đơn lẻ (như Graph Cuts hay Belief Propagation) lại thất bại khi hai ảnh stereo có cường độ sáng khác nhau?

Các thuật toán như Graph Cuts hay Belief Propagation thông thường xây dựng hàm chi phí dữ liệu (data cost / likelihood) dựa trên giả định bất biến độ sáng (brightness constancy), tức các điểm ảnh tương ứng ở hai góc nhìn phải có cùng mức xám hoặc màu sắc. Khi hai camera có độ lợi/độ lệch (gain/bias) khác nhau hoặc có nhiễu cảm biến, giá trị điểm ảnh tương ứng bị lệch đáng kể, khiến hàm đo sai khác điểm ảnh đơn lẻ cung cấp thông tin sai lệch dẫn đến kết quả tối ưu sai.

2. Luận án định nghĩa 36 "chuyên gia" (experts) trong thuật toán so khớp stereo như thế nào và hành vi của chúng được phân loại ra sao?

36 chuyên gia là 36 bộ so khớp tương quan chéo chuẩn hóa (NCC) được tạo bởi sự kết hợp của 4 kích thước cửa sổ ($3 \times 3, 5 \times 5, 7 \times 7, 9 \times 9$) và 9 vị trí đặt tâm cửa sổ khác nhau (tâm giữa, lệch trái, lệch phải, lệch trên, lệch dưới và các góc). Hành vi của mỗi chuyên gia được phân thành 3 loại:

  • Loại $T$: Ước lượng đúng độ sâu thực;
  • Loại $FG$: Khớp nhầm vào độ sâu của vật thể tiền cảnh lân cận (gây hiện tượng làm dày biên);
  • Loại $B$: Rơi vào các độ sâu sai lệch khác.

3. Phương pháp siêu phân giải video trong luận án giải quyết vấn đề kết hợp dữ liệu giữa các cảm biến khác nhau như thế nào?

Luận án kết hợp thông tin không gian chi tiết từ ảnh tĩnh độ phân giải cao chụp cùng khung cảnh (captured by still camera) để xây dựng từ điển phác thảo đặc thù khung cảnh ($D_s$). Từ điển này chứa các cặp nguyên thủy (primitives) tần số thấp và tần số cao, được sử dụng để suy diễn và tăng cường chi tiết cho các khung hình video có độ phân giải thấp.

4. Phương pháp phát hiện người bằng Mạng nơ-ron tích chập (CNN) khắc phục hạn chế nào của phương pháp hồi quy mạng nơ-ron 3 lớp?

Phương pháp hồi quy ở Chương 11 dựa trên kỹ thuật trừ nền để tạo mặt nạ tiền cảnh chuyển động, do đó hoàn toàn không thể phát hiện và đếm những người đứng yên trong khung hình. Ngược lại, phương pháp CNN ở Chương 12 quét trực tiếp bộ phát hiện đa tỷ lệ trên toàn bộ ảnh thô mà không cần trừ nền, cho phép nhận diện và đếm chính xác cả người đang di chuyển lẫn người đứng bất động.

5. Kỹ thuật lựa chọn bin thích ứng (adaptive bin selection) trong Chương 3 hoạt động dựa trên nguyên lý nào?

Để lượng tử hóa không gian vân bề mặt và cấu trúc hình học mà không cần đặt ngưỡng thủ công, tác giả áp dụng lý thuyết thông tin. Các ranh giới bin được lựa chọn thích ứng sao cho hàm kỳ vọng của entropy phân phối hậu nghiệm giảm nhanh chóng và đạt đến giá trị tiệm cận tối ưu, giúp giảm thiểu số lượng bin cần thiết nhưng vẫn giữ được độ chính xác phân phối.


Kết luận

Luận án tiến sĩ của Dan Kong đã giải quyết các bài toán thị giác máy tính từ cấp độ thấp đến cấp độ cao thông qua việc tích hợp các kỹ thuật học máy có giám sát vào mô hình xác suất và mạng nơ-ron. Ba đóng góp trọng tâm gồm: mô hình học hành vi của 36 chuyên gia so khớp cục bộ giải quyết bài toán stereo khi độ sáng thay đổi; khung siêu phân giải video kết hợp từ điển phác thảo đặc thù và mô hình chuỗi thời gian CRF; cùng hai giải pháp đếm và phát hiện người đa tỷ lệ bằng mạng nơ-ron và CNN có kỹ thuật nạp mẫu khó. Toàn bộ các mô hình đề xuất đều được kiểm chứng chặt chẽ bằng thực nghiệm định tính và định lượng trên các tập dữ liệu chuẩn mực và video thực tế.