Phương Pháp Nhận Diện Mẫu Sử Dụng Mô Hình Túi Từ và Mạng Neural

• Tác giả: Nguyễn Khánh Tùng
• Người hướng dẫn: TS. Nguyễn Toàn Thắng
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phương Pháp Nhận Diện Mẫu Bằng Mô Hình Túi Từ và Mạng Neural
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: Khảo sát một số công trình đã đƣợc công bố về nhận diện bàn tay
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Nhận Diện Mẫu Bằng Túi Từ và Mạng Neural

Trong bối cảnh phát triển mạnh mẽ của các ứng dụng công nghệ thông tin, tương tác người-máy (HCI) đóng vai trò quan trọng. Bài toán điều khiển máy tính từ xa thông qua camera đòi hỏi khả năng nhận diện mẫu chính xác. Đề tài này tập trung vào xây dựng phương pháp nhận diện mẫu sử dụng mô hình túi từ (Bag of Words - BoW) kết hợp với mạng neural (Neural Network). Mô hình túi từ tạo ra vector đặc trưng làm đầu vào cho mạng neural. Yêu cầu đặt ra là tốc độ xử lý cao và tính bền vững trước các biến đổi của đối tượng như xoay, thay đổi kích thước. Đối tượng nhận diện mẫu chính là cử chỉ tay người và một số đồ vật đơn giản. Luận văn này sẽ trình bày chi tiết về cách áp dụng mô hình túi từ và mạng neural để giải quyết bài toán nhận diện mẫu một cách hiệu quả. "Tương tác người - máy (Human - Computer Interaction, HCI) là một lĩnh vực thu hút nhiều nghiên cứu và đã đạt được nhiều kết quả ấn tượng trong thời gian gần đây."

1.1. Giới thiệu về bài toán nhận diện cử chỉ tay

Bài toán nhận diện cử chỉ tay là một phần quan trọng của Xử lý ngôn ngữ tự nhiên (NLP) và Học máy (Machine Learning). Nó bao gồm phát hiện đối tượng, theo dõi chuyển động và nhận diện hình dạng. Mục tiêu là tạo ra lệnh điều khiển máy tính. Phương pháp này cần nhanh, chính xác và không bị ảnh hưởng bởi các yếu tố môi trường. Sử dụng mô hình túi từ và mạng neural giúp đạt được mục tiêu này. Các kỹ thuật Deep Learning, như CNN (Convolutional Neural Network) và RNN (Recurrent Neural Network), có thể được áp dụng để cải thiện hiệu suất. Nhận diện cử chỉ tay mở ra nhiều ứng dụng tiềm năng trong thực tế.

1.2. Ứng dụng thực tế của mô hình nhận diện mẫu

Nhận diện mẫu có ứng dụng rộng rãi trong nhiều lĩnh vực. Trong y tế, nó hỗ trợ chẩn đoán bệnh và theo dõi sức khỏe. Trong công nghiệp, nó giúp tự động hóa quy trình sản xuất và kiểm soát chất lượng. Trong lĩnh vực an ninh, nó được sử dụng để nhận diện khuôn mặt và phân tích hành vi. Việc kết hợp mô hình túi từ và mạng neural mang lại hiệu quả cao trong các ứng dụng này. Độ chính xác (Accuracy) và khả năng đánh giá hiệu suất là yếu tố then chốt.

II. Thách Thức và Giải Pháp Trong Nhận Diện Mẫu Với BoW

Mặc dù mô hình túi từ (BoW) và mạng neural (Neural Network) mang lại nhiều ưu điểm, vẫn còn tồn tại những thách thức. Mô hình túi từ bỏ qua thông tin về ngữ cảnh và thứ tự từ. Mạng neural có thể yêu cầu lượng lớn dữ liệu huấn luyện. Việc lựa chọn tham số phù hợp cho cả hai mô hình là một vấn đề phức tạp. Tuy nhiên, có nhiều giải pháp để vượt qua những thách thức này. Sử dụng Bag of n-grams có thể giúp nắm bắt thông tin ngữ cảnh. Các kỹ thuật tăng cường dữ liệu có thể giảm bớt yêu cầu về dữ liệu huấn luyện. Việc áp dụng các thuật toán tối ưu hóa có thể giúp tìm ra tham số tối ưu. "Sự phức tạp này là do sự đa dạng của cử chỉ tạo ra bởi một số lượng lớn các bậc tự do (Degree of Freedom – DoF, thu được trong quá trình mô hình hóa bàn tay người)."

2.1. Hạn chế của Bag of Words trong mô tả văn bản

Mô hình Bag of Words (BoW) bỏ qua thứ tự và ngữ nghĩa của từ, dẫn đến mất mát thông tin quan trọng. Điều này ảnh hưởng đến khả năng phân loại văn bản và Sentiment Analysis. Các phương pháp như Word Embedding (Word2Vec, GloVe, FastText) và biểu diễn văn bản dựa trên ngữ cảnh giúp khắc phục hạn chế này. Ngoài ra, việc sử dụng TF-IDF để trọng số từ cũng có thể cải thiện hiệu suất.

2.2. Yêu cầu dữ liệu và tối ưu hóa mô hình Neural Network

Mạng Neural (Neural Network) thường đòi hỏi lượng lớn dữ liệu huấn luyện để đạt được độ chính xác (Accuracy) cao. Việc thiếu dữ liệu có thể dẫn đến hiện tượng overfitting. Các kỹ thuật như augmentation, regularization và dropout giúp giảm thiểu overfitting. Quá trình huấn luyện mô hình cần được theo dõi và điều chỉnh liên tục để đạt hiệu quả tốt nhất. Việc sử dụng bộ dữ liệu (Dataset) chất lượng là rất quan trọng.

III. Cách Xây Dựng Mô Hình Túi Từ Cho Nhận Diện Cử Chỉ Tay

Xây dựng mô hình túi từ (BoW) hiệu quả đòi hỏi nhiều bước. Đầu tiên, cần thu thập và tiền xử lý dữ liệu. Tiếp theo, lựa chọn phương pháp trích xuất đặc trưng (Feature Extraction) phù hợp, ví dụ như SURF hoặc SIFT. Sau đó, áp dụng thuật toán phân cụm để tạo ra từ điển. Cuối cùng, biểu diễn ảnh bằng vector BoW. "Khi nhận diện, các đặc trưng trích ra sẽ được so sánh với các đặc trưng của các lớp đã biết." Phương pháp này cần được điều chỉnh để phù hợp với bài toán nhận diện cử chỉ tay. Việc pre-processing văn bản, bao gồm Tokenization, Stemming và Lemmatization, là bước quan trọng để chuẩn hóa dữ liệu.

3.1. Lựa chọn và trích xuất đặc trưng từ ảnh

Việc lựa chọn phương pháp trích xuất đặc trưng (Feature Extraction) ảnh hưởng lớn đến hiệu suất. SURF và SIFT là hai lựa chọn phổ biến. SURF nhanh hơn nhưng SIFT mạnh mẽ hơn trước các biến đổi. Việc kết hợp cả hai có thể mang lại kết quả tốt nhất. Các đặc trưng cần được chuẩn hóa và giảm chiều để giảm phức tạp tính toán. "Trong [13], thuật toán Adaboost và đặc trưng SIFT được sử dụng để phát hiện bàn tay."

3.2. Phân cụm đặc trưng và tạo từ điển trực quan

Phân cụm các đặc trưng đã trích xuất để tạo ra từ điển trực quan. Các thuật toán như K-means hoặc Hierarchical clustering có thể được sử dụng. Số lượng cụm (từ) ảnh hưởng đến độ chính xác và tốc độ. Việc lựa chọn số lượng cụm tối ưu là rất quan trọng. Từ điển trực quan sẽ được sử dụng để biểu diễn ảnh bằng vector BoW. Quá trình này cần được thực hiện cẩn thận để đảm bảo chất lượng của từ điển.

IV. Huấn Luyện và Phân Loại Với Mạng Neural Cho Ảnh

Sau khi có vector BoW, bước tiếp theo là huấn luyện mạng neural (Neural Network). Lựa chọn kiến trúc mạng phù hợp, ví dụ như mạng truyền thẳng hoặc CNN. Sử dụng thuật toán backpropagation để cập nhật trọng số. Theo dõi quá trình huấn luyện và điều chỉnh tham số để tránh overfitting. "Nghiên cứu và so sánh một số phương pháp trích chọn đặc trưng trong ảnh số (SURF, SIFT) để lựa chọn phương pháp phù hợp với mô hình túi từ và đáp ứng được yêu cầu đặt ra của đề tài."

4.1. Thiết kế kiến trúc mạng Neural phù hợp

Kiến trúc mạng neural (Neural Network) ảnh hưởng lớn đến hiệu suất. CNN (Convolutional Neural Network) phù hợp với ảnh do khả năng trích xuất đặc trưng không gian. RNN (Recurrent Neural Network), đặc biệt là LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit), phù hợp với dữ liệu chuỗi. Việc kết hợp các kiến trúc khác nhau có thể mang lại kết quả tốt nhất. Cần cân nhắc số lượng lớp và số lượng neuron trong mỗi lớp.

4.2. Đánh giá và tối ưu hóa hiệu suất mô hình

Đánh giá hiệu suất mô hình phân loại bằng các độ đo (Metrics) như Precision, Recall, F1-score và Confusion Matrix. Sử dụng kỹ thuật cross-validation để đánh giá khách quan. Tối ưu hóa tham số bằng thuật toán gradient descent hoặc các thuật toán tối ưu hóa nâng cao. Theo dõi learning curve để phát hiện overfitting và underfitting. "Phương pháp này phát hiện vật thể nhanh và chính xác nhưng cần thời gian huấn luyện rất dài và một số lượng hình mẫu rất lớn."

V. Kết Quả Thử Nghiệm và Đánh Giá Mô Hình Nhận Diện Mẫu

Thực hiện thử nghiệm trên các bộ dữ liệu (Dataset) khác nhau. Đánh giá độ chính xác (Accuracy), tốc độ xử lý và khả năng khái quát hóa. So sánh kết quả với các phương pháp khác. Phân tích điểm mạnh và điểm yếu của phương pháp đề xuất. "Phần này trình bày chi tiết về chương trình thử nghiệm, áp dụng chương trình cho các kho dữ liệu ảnh, phân tích – đánh giá – so sánh kết quả."

5.1. Thử nghiệm trên bộ dữ liệu cử chỉ tay

Sử dụng bộ dữ liệu (Dataset) cử chỉ tay công khai, ví dụ như bộ dữ liệu của Đại học Cambridge. Đánh giá hiệu suất trên các lớp cử chỉ khác nhau. Phân tích ảnh hưởng của các yếu tố như ánh sáng, góc nhìn và nhiễu. So sánh kết quả với các phương pháp nhận diện mẫu khác. "Thực hiện huấn luyện và test trên một số loại lớp đối tượng (ví dụ, các dạng của tay người, một số loại đồ vật đơn giản);"

5.2. Phân tích và so sánh kết quả đạt được

Phân tích chi tiết kết quả thử nghiệm. So sánh với các phương pháp khác về độ chính xác (Accuracy), tốc độ và khả năng khái quát hóa. Xác định các yếu tố ảnh hưởng đến hiệu suất. Đề xuất các hướng cải thiện trong tương lai. Báo cáo kết quả bằng các bảng biểu và đồ thị trực quan. "Phân tích, đánh giá kết quả thu được; so sánh kết quả thu được với kết quả của một số phương pháp nhận diện đã được công bố."

VI. Kết Luận và Hướng Phát Triển Của Nhận Diện Mẫu

Tổng kết các kết quả đạt được. Nhấn mạnh những đóng góp chính của luận văn. Đề xuất các hướng nghiên cứu tiếp theo. Khẳng định tiềm năng của mô hình túi từ (BoW) và mạng neural (Neural Network) trong bài toán nhận diện mẫu. "Ý nghĩa khoa học của đề tài là trình bày một thuật toán xây dựng vector đặc trưng cho đối tượng trên ảnh số. Thuật toán đảm bảo tốc độ xử lý trong thời gian thực với dữ liệu thu trực tiếp từ camera." "Khảo sát một số công trình đã được công bố về nhận diện bàn tay Cử chỉ tay là phương thức giao tiếp tự nhiên và trực quan trong tương tác người – máy (Human – Computer Interaction)."

6.1. Tóm tắt những đóng góp chính của luận văn

Luận văn đã trình bày một phương pháp nhận diện mẫu hiệu quả sử dụng mô hình túi từ (BoW) và mạng neural (Neural Network). Phương pháp này đã được thử nghiệm trên các bộ dữ liệu (Dataset) khác nhau và cho kết quả tốt. Luận văn cũng đã phân tích các yếu tố ảnh hưởng đến hiệu suất và đề xuất các hướng cải thiện. "Nghiên cứu một số phương pháp nhận diện mẫu đã được công bố ở trong và ngoài nước (từ nguồn học liệu tại trung tâm học liệu Đại học Thái Nguyên, trường Đại học CNTT&TT, các tạp chí online)."

6.2. Hướng phát triển trong tương lai của phương pháp

Nghiên cứu phát triển phương pháp nhận diện mẫu dựa trên mạng neural (Neural Network) sâu hơn, ví dụ như sử dụng Deep Learning và các kiến trúc tiên tiến hơn. Khám phá các phương pháp tăng cường dữ liệu để giảm yêu cầu về dữ liệu huấn luyện. Nghiên cứu tích hợp thông tin ngữ cảnh để cải thiện hiệu suất. Áp dụng phương pháp cho các bài toán nhận diện mẫu phức tạp hơn. "- Phương pháp nghiên cứu lý thuyết: Tìm hiểu các tài liệu liên quan tới các phương pháp nhận diện mẫu trong ảnh số, mô hình túi từ, các phương pháp trích chọn và biểu diễn đặc trưng, một số thuật toán phân cụm dữ liệu đơn giản, mạng neural nhân tạo."

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin, tương tác người - máy (Human-Computer Interaction, HCI) ngày càng trở nên quan trọng, đặc biệt trong các ứng dụng điều khiển máy tính từ xa thông qua cử chỉ tay. Theo ước tính, việc nhận diện cử chỉ tay trong thời gian thực có thể nâng cao hiệu quả giao tiếp trực quan, giảm thiểu sự phụ thuộc vào các thiết bị ngoại vi như chuột hay bàn phím. Tuy nhiên, bài toán nhận diện mẫu cử chỉ tay gặp nhiều thách thức do sự đa dạng và phức tạp của các cử chỉ, biến đổi về góc nhìn, kích thước và điều kiện ánh sáng. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp nhận diện mẫu sử dụng mô hình túi từ (bag-of-features) kết hợp với mạng neural nhân tạo nhằm nhận diện cử chỉ tay và một số vật thể đơn giản trong ảnh thu từ camera thời gian thực. Phạm vi nghiên cứu tập trung vào dữ liệu thu thập trong môi trường thực tế và các bộ dữ liệu mở như của Đại học Cambridge, với thời gian nghiên cứu từ năm 2014 đến 2016. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện tốc độ xử lý và độ chính xác nhận diện, đồng thời đảm bảo tính bền vững trước các biến đổi hình ảnh, góp phần nâng cao trải nghiệm tương tác người - máy trong các ứng dụng thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mô hình túi từ (bag-of-words) và mạng neural nhân tạo (Artificial Neural Networks - ANN). Mô hình túi từ được sử dụng để biểu diễn các đặc trưng hình ảnh dưới dạng vector tần số xuất hiện của các “từ khóa” đặc trưng, giúp chuyển đổi dữ liệu ảnh không cấu trúc thành dạng bảng có kích thước cố định. Các khái niệm chính bao gồm:

• Đặc trưng cục bộ bất biến (SIFT, SURF): Các điểm đặc trưng được trích xuất từ ảnh có khả năng bất biến với biến đổi tỷ lệ, xoay và ánh sáng.
• Phân cụm k-means: Thuật toán phân nhóm các đặc trưng SURF thành các cụm để tạo thành từ điển đặc trưng.
• Mạng neural nhiều lớp: Mạng truyền thẳng ba lớp với thuật toán lan truyền ngược (backpropagation) được sử dụng để huấn luyện và phân lớp các vector đặc trưng BOW.

Phương pháp nghiên cứu

Nguồn dữ liệu bao gồm các bộ ảnh tự tạo và các bộ dữ liệu mở như bộ dữ liệu cử chỉ của Đại học Cambridge và Sebastien Marcel. Cỡ mẫu gồm hàng trăm ảnh với nhiều lớp cử chỉ tay và vật thể đơn giản. Phương pháp phân tích gồm:

• Trích chọn đặc trưng SURF từ ảnh, mô tả mỗi điểm đặc trưng bằng vector 64 chiều.
• Phân cụm các đặc trưng SURF bằng thuật toán k-means để tạo bộ từ điển gồm 29 từ khóa đại diện.
• Tạo vector BOW-descriptor cho mỗi ảnh dựa trên histogram tần số xuất hiện các từ khóa.
• Huấn luyện mạng neural nhiều lớp với dữ liệu BOW-descriptor, sử dụng thuật toán lan truyền ngược để tối ưu trọng số.
• Thử nghiệm và đánh giá trên các bộ dữ liệu với các điều kiện khác nhau như nền đơn giản, nhiễu nhẹ và nhiễu nặng.
• Timeline nghiên cứu kéo dài từ năm 2014 đến 2016, bao gồm giai đoạn xây dựng chương trình thử nghiệm, huấn luyện, test và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận diện cao: Phương pháp kết hợp mô hình túi từ và mạng neural đạt độ chính xác trên 90% khi nhận diện các cử chỉ tay trong bộ dữ liệu tự tạo với nền đơn giản. Cụ thể, độ chính xác đạt khoảng 92% trên bộ dữ liệu có nền đơn giản và 85% trên bộ dữ liệu có nhiễu nhẹ.

2. Tính bền vững với biến đổi hình ảnh: Vector đặc trưng BOW-descriptor thể hiện khả năng bất biến với các biến đổi xoay, phóng đại và di chuyển vật thể trong ảnh, giúp duy trì độ chính xác nhận diện trên 80% khi ảnh bị xoay hoặc thay đổi kích thước.

3. Tốc độ xử lý trong thời gian thực: Thuật toán nhận diện có thể xử lý dữ liệu thu trực tiếp từ camera với tốc độ đáp ứng trên 15 khung hình mỗi giây, phù hợp với yêu cầu ứng dụng thực tế.

4. Hiệu quả trên các bộ dữ liệu mở: Khi thử nghiệm trên bộ dữ liệu của Đại học Cambridge và Sebastien Marcel, phương pháp đạt độ chính xác lần lượt khoảng 83% và 80%, cho thấy tính khả thi và khả năng mở rộng của phương pháp.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao là do việc sử dụng mô hình túi từ giúp biểu diễn đặc trưng ảnh dưới dạng vector có kích thước cố định, giảm thiểu ảnh hưởng của biến đổi hình học và nhiễu. Việc phân cụm k-means tạo ra bộ từ điển đặc trưng hiệu quả, giúp mạng neural dễ dàng học và phân lớp. So với các nghiên cứu trước đây sử dụng đặc trưng màu sắc hoặc đường biên, phương pháp này vượt trội về độ chính xác và khả năng xử lý trong thời gian thực. Biểu đồ so sánh độ chính xác trên các bộ dữ liệu khác nhau có thể minh họa rõ ràng sự ổn định và hiệu quả của phương pháp. Kết quả cũng cho thấy mạng neural nhiều lớp với thuật toán lan truyền ngược là lựa chọn phù hợp để phân lớp các vector đặc trưng BOW trong bài toán nhận diện mẫu.

Đề xuất và khuyến nghị

1. Tăng cường bộ từ điển đặc trưng: Mở rộng số lượng từ khóa trong bộ từ điển từ 29 lên khoảng 50-60 để nâng cao khả năng phân biệt các lớp cử chỉ phức tạp hơn, dự kiến thực hiện trong 6 tháng tới bởi nhóm nghiên cứu.

2. Áp dụng kỹ thuật tiền xử lý ảnh nâng cao: Sử dụng các phương pháp lọc nhiễu và cân bằng ánh sáng để cải thiện chất lượng ảnh đầu vào, giúp tăng độ chính xác nhận diện trên các môi trường phức tạp, triển khai trong vòng 3 tháng.

3. Phát triển mạng neural sâu (Deep Neural Networks): Nghiên cứu và áp dụng các kiến trúc mạng sâu nhằm tăng khả năng học đặc trưng phức tạp, dự kiến thử nghiệm trong 1 năm tiếp theo với sự phối hợp của các chuyên gia AI.

4. Triển khai ứng dụng thực tế: Xây dựng phần mềm nhận diện cử chỉ tay tích hợp với các thiết bị điều khiển từ xa trong các lĩnh vực như robot, trò chơi điện tử, và thiết kế, với mục tiêu đưa vào thử nghiệm thực tế trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học máy tính: Có thể áp dụng phương pháp mô hình túi từ kết hợp mạng neural trong các bài toán nhận diện mẫu và xử lý ảnh số.

2. Chuyên gia phát triển ứng dụng HCI: Sử dụng kết quả nghiên cứu để phát triển các giao diện điều khiển máy tính bằng cử chỉ tay, nâng cao trải nghiệm người dùng.

3. Doanh nghiệp công nghệ và robot: Áp dụng thuật toán nhận diện mẫu trong các sản phẩm robot tương tác hoặc thiết bị điều khiển không tiếp xúc.

4. Giảng viên và nhà đào tạo: Sử dụng luận văn làm tài liệu tham khảo trong giảng dạy các môn học về học máy, xử lý ảnh và mạng neural nhân tạo.

Câu hỏi thường gặp

1. Phương pháp mô hình túi từ là gì và tại sao được sử dụng?
   Mô hình túi từ biểu diễn ảnh dưới dạng tần số xuất hiện của các đặc trưng (từ khóa) mà không quan tâm đến vị trí, giúp chuyển đổi dữ liệu ảnh thành vector có kích thước cố định, thuận tiện cho việc phân lớp bằng mạng neural.

2. Tại sao chọn đặc trưng SURF thay vì SIFT?
   SURF có tốc độ trích chọn đặc trưng nhanh hơn SIFT, phù hợp với yêu cầu xử lý thời gian thực, đồng thời vẫn đảm bảo độ bền vững với biến đổi hình ảnh.

3. Mạng neural được huấn luyện như thế nào?
   Mạng neural nhiều lớp được huấn luyện bằng thuật toán lan truyền ngược (backpropagation) sử dụng dữ liệu BOW-descriptor làm đầu vào, tối ưu trọng số để phân lớp chính xác các cử chỉ tay và vật thể.

4. Phương pháp có thể áp dụng cho các cử chỉ phức tạp hơn không?
   Có thể, tuy nhiên cần mở rộng bộ từ điển đặc trưng và nâng cấp kiến trúc mạng neural để xử lý các lớp cử chỉ đa dạng và phức tạp hơn.

5. Phương pháp có thể hoạt động trong môi trường có nhiễu mạnh không?
   Phương pháp đã được thử nghiệm với các bộ dữ liệu có nhiễu nhẹ và nhiễu nặng, cho kết quả khả quan trên 80% độ chính xác, tuy nhiên cần cải tiến tiền xử lý ảnh để nâng cao hiệu quả trong môi trường nhiễu mạnh.

Kết luận

• Luận văn đã phát triển thành công phương pháp nhận diện mẫu sử dụng mô hình túi từ kết hợp mạng neural nhân tạo, đạt độ chính xác trên 90% trong điều kiện kiểm soát.
• Vector đặc trưng BOW-descriptor có kích thước cố định, bền vững với các biến đổi hình ảnh, phù hợp cho bài toán nhận diện cử chỉ tay trong thời gian thực.
• Thuật toán xử lý nhanh, đáp ứng được yêu cầu tốc độ trên 15 khung hình mỗi giây, thích hợp ứng dụng thực tế.
• Kết quả thử nghiệm trên các bộ dữ liệu mở chứng minh tính khả thi và khả năng mở rộng của phương pháp.
• Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng bộ từ điển, áp dụng mạng neural sâu và triển khai ứng dụng thực tế nhằm nâng cao hiệu quả và phạm vi ứng dụng.

Mời quý độc giả và các nhà nghiên cứu quan tâm tiếp cận và ứng dụng phương pháp này để phát triển các giải pháp tương tác người - máy hiện đại, góp phần thúc đẩy sự phát triển của lĩnh vực khoa học máy tính và công nghệ thông tin.