Bối cảnh và vấn đề nghiên cứu

Ước lượng tư thế người 2D (2D Human Pose Estimation) là một trong những bài toán nền tảng của lĩnh vực thị giác máy tính, có nhiệm vụ xác định và định vị các điểm mấu chốt (keypoints) trên cơ thể người (như đầu, vai, khuỷu tay, cổ tay, hông, đầu gối, mắt cá chân) từ một bức ảnh đầu vào, từ đó liên kết lại thành khung xương biểu diễn tư thế chuyển động. Thông tin tư thế đóng vai trò quan trọng trong nhiều ứng dụng thực tiễn như hệ thống hỗ trợ tập luyện cá nhân (ứng dụng Zenia trong tập yoga), ngành công nghiệp hoạt hình, điện ảnh và trò chơi điện tử (kỹ thuật bắt chuyển động Pose2Pose), cũng như giám sát an ninh và phát hiện hành vi bạo lực hoặc xâm hại (nghiên cứu Violence Detection using Posture Analysis).

Tuy nhiên, các mô hình ước lượng tư thế người đạt độ chính xác cao hiện nay (tiêu biểu như HRNet và HigherHRNet) chủ yếu dựa trên kiến trúc mạng đa nhánh (multi-branch) để duy trì các đặc trưng ở độ phân giải cao nhằm giải quyết thách thức biến đổi tỉ lệ kích thước (scale variation). Cách tiếp cận này đòi hỏi khối lượng tài nguyên tính toán rất lớn (chi phí tính toán vượt mức 75 MACs trên tập dữ liệu COCO) cùng thời gian thực thi dài. Do đó, việc triển khai các mô hình này trên các hệ thống giám sát thời gian thực hoặc các thiết bị di động với phần cứng hạn chế gặp nhiều rào cản lớn.

Khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể sau:

  1. Khảo sát và tổng hợp các nghiên cứu liên quan đến bài toán ước lượng tư thế người và các mô hình mạng nơ-ron thu gọn (lightweight models).
  2. Hiện thực hóa và đánh giá các mô hình nền tảng nhằm phân tích nguyên nhân gây lãng phí chi phí tính toán trong kiến trúc đa nhánh.
  3. Nghiên cứu, đề xuất một kiến trúc mạng nơ-ron đơn nhánh tối ưu hóa, giảm thiểu chi phí tính toán (đạt mức xấp xỉ 5 MACs) và rút ngắn thời gian thực thi nhưng vẫn duy trì độ chính xác phục vụ nhu cầu xử lý thời gian thực.
  4. Thực nghiệm, đánh giá và so sánh mô hình cải tiến trên các bộ dữ liệu chuẩn mực.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các phương pháp ước lượng tư thế người 2D; tập dữ liệu hình ảnh tư thế người; các kỹ thuật tối ưu hóa kiến trúc mạng học sâu (loại bỏ nhánh dư thừa, tích chập phân tách theo chiều sâu, mở rộng kích thước kernel).
  • Phạm vi nghiên cứu: Hướng tiếp cận Bottom-up trong ước lượng tư thế người 2D; đánh giá thực nghiệm trên hai bộ dữ liệu chuẩn là MS COCO và CrowdPose; môi trường tính toán sử dụng phần cứng GPU Tesla K80 trên Google Colab.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng giải pháp dựa trên các nền tảng lý thuyết và mô hình sau:

  • Các mô hình biểu diễn cơ thể người: Khóa luận hệ thống hóa ba cách tiếp cận biểu diễn hình học: mô hình dạng khung xương (skeleton-based model), mô hình dạng đường viền (contour-based model), và mô hình dạng thể tích (volume-based model). Trong đó, mô hình khung xương được chọn làm trọng tâm để trích xuất tập tọa độ các điểm mấu chốt.
  • Phân loại hướng tiếp cận bài toán:
    • Top-down: Phát hiện vị trí từng người trong ảnh (human proposal), cắt ảnh thành các vùng riêng biệt, thực hiện ước lượng tư thế đơn lẻ (Single-Person Pose Estimation - SPPE) rồi ghép kết quả. Hướng này có độ chính xác cao nhưng chi phí tính toán tăng tuyến tính theo số lượng người trong khung hình.
    • Bottom-up: Mô hình end-to-end phát hiện đồng thời toàn bộ các keypoints tự do trên bức ảnh, sau đó gom nhóm (grouping) các điểm thuộc về từng cá thể riêng biệt. Hướng tiếp cận này không cần chạy thêm mô hình phát hiện người và không lặp lại quá trình trích xuất, đặc biệt phù hợp cho xử lý thời gian thực.
  • Mô hình nền tảng tham chiếu:
    • HRNet / HigherHRNet: Mạng nơ-ron đa nhánh duy trì độ phân giải cao xuyên suốt quá trình xử lý thông qua các khối trao đổi thông tin đa tỷ lệ (multi-scale fusion).
    • MobileNetV2: Mạng nơ-ron gọn nhẹ sử dụng kỹ thuật tích chập phân tách theo chiều sâu (Depthwise Separable Convolution).
    • EfficientPose: Nghiên cứu ứng dụng backbone MobileNetV2 vào ước lượng tư thế.

Phương pháp nghiên cứu thực nghiệm và đánh giá:

  • Môi trường cài đặt: Ngôn ngữ lập trình Python 3; các thư viện hỗ trợ gồm PyTorch, TensorFlow-GPU, CUDA, cuDNN, OpenCV, ptflops, EasyDict (1.7), PyYAML (5.1), Cython, Scipy, Pandas, Scikit-image, TensorBoardX, YACS, CFFI, Munkres, Tqdm.
  • Nguồn dữ liệu: Bộ dữ liệu MS COCO (Common Objects in Context) và tập dữ liệu CrowdPose (tập dữ liệu chuyên biệt cho bối cảnh người chồng chéo, mật độ cao). Tập dữ liệu huấn luyện sử dụng tập 180.000 ảnh.
  • Hệ thống chỉ số đánh giá (Evaluation Metrics):
    • Mean Average Precision (mAP): Đánh giá độ chính xác trung bình thông qua tỷ lệ diện tích giao trên hợp (Intersection over Union - IoU) và độ tương đồng điểm mấu chốt của đối tượng (Object Keypoint Similarity - OKS): $$OKS = \frac{\sum_i \exp\left(-\frac{d_i^2}{2 s^2 k_i^2}\right) \delta(v_i > 0)}{\sum_i \delta(v_i > 0)}$$ Trong đó: $d_i$ là khoảng cách Euclidean giữa keypoint dự đoán và nhãn thực tế (ground truth); $s$ là tỉ lệ đối tượng so với khung hình; $k_i$ là hằng số đặc trưng cho từng loại điểm mấu chốt; $v_i$ là cờ đánh dấu sự tồn tại của điểm ($v_i > 0$); $\delta$ là hàm xung đơn vị.
    • Multiply-accumulate Operations (MACs): Đo lường tổng số lượng phép tính nhân - cộng trên một giây, phản ánh chi phí tính toán lý thuyết của mô hình.
    • Latency (Độ trễ): Thời gian phản hồi thực tế mà mô hình cần để xử lý một mẫu dữ liệu đầu vào.

Thiết kế và triển khai kiến trúc mô hình

Để giải quyết mâu thuẫn giữa độ chính xác và chi phí tính toán, khóa luận thiết kế mô hình ước lượng tư thế người đơn nhánh (Single-branch architecture) tích hợp các giải pháp cải tiến cấu trúc:

Thành phần kiến trúc Thiết kế nguyên bản trong các nghiên cứu trước Thiết kế cải tiến trong khóa luận Mục đích tối ưu
Cấu trúc mạng tổng thể Mạng đa nhánh (Multi-branch) như HRNet Mạng đơn nhánh (Single-branch) Loại bỏ chi phí đồng bộ và ghép nhánh, thân thiện với phần cứng tính toán song song
Nhánh độ phân giải cao Duy trì đầy đủ các nhánh ở tất cả các stage Kỹ thuật thu hẹp dần (Gradual Shrinking) tỉa bớt nhánh dư thừa Giảm số lượng tham số và phép tính toán của các khối phân giải cao
Khối giải mã đầu ra (Head) Đa nhánh kết hợp phức tạp Khối phân giải đảo tích chập kết hợp (Fusion Deconv Head) Thực hiện deconvolution trực tiếp từ tầng áp chót, giảm độ trễ thực thi
Mạng xương sống (Backbone) Mạng tích chập tiêu chuẩn hoặc HRNet backbone MobileNetV2 tùy biến, loại bỏ tầng down-sampling cuối Giữ lại độ phân giải không gian cần thiết cho bài toán định vị điểm
Kích thước nhân tích chập Nhân tích chập $3 \times 3$ tiêu chuẩn Nhân tích chập kích thước lớn ($7 \times 7$) Mở rộng trường tiếp nhận (receptive field) để nắm bắt ngữ cảnh mà không gây nhiễu

Kỹ thuật thu hẹp dần (Gradual Shrinking)

Trong kiến trúc HRNet, cấu hình toàn bộ mạng được biểu diễn bởi $A = {A_1, A_2, A_3, A_4}$, trong đó $A_n = [a_1, a_2, \dots, a_n]$ thể hiện số khối tinh chỉnh đặc trưng ở nhánh thứ $i$ trong tầng thứ $n$. Nhánh $i$ có độ phân giải cao hơn nhánh $i+1$. Khóa luận áp dụng kỹ thuật tỉa nhánh $A' \le A$, loại bỏ dần các khối tính toán tại các nhánh có độ phân giải cao nhưng mang tính chất dư thừa ở các tầng sâu, qua đó giữ lại khả năng xử lý biến động kích thước mà giảm thiểu chi phí xử lý.

Khối Fusion Deconv Head

Để tích hợp ưu điểm của mạng đơn nhánh (tốc độ cao) và mạng đa nhánh (độ phân giải chi tiết), lớp dự đoán cuối cùng áp dụng phép giải tích chập (deconvolutions) trực tiếp từ tầng trích xuất đặc trưng áp chót sang tầng cuối cùng trong một lần chạy duy nhất. Cấu trúc này vừa duy trì được các đặc trưng không gian chi tiết, vừa triệt tiêu độ trễ phát sinh do phải kết hợp nhiều nhánh song song.

Xương sống MobileNetV2 với Large Kernel Convs

Khóa luận vận dụng cơ chế tích chập phân tách theo chiều sâu (Depthwise Separable Convolution), gồm hai bước:

  1. Depthwise Convolution: Mỗi kênh đầu vào được xử lý bởi một bộ lọc không gian riêng biệt kích thước $1 \times K \times K$.
  2. Pointwise Convolution: Sử dụng bộ lọc kích thước $C \times 1 \times 1$ để kết hợp thông tin tuyến tính giữa các kênh.

Minh chứng về mức độ giảm chi phí tính toán qua số liệu của tác giả:

  • Giả sử đặc trưng đầu vào có kích thước $5 \times 10 \times 10$ ($Channels \times Width \times Height$), sử dụng 64 bộ lọc kích thước $5 \times 3 \times 3$:
    • Tích chập tiêu chuẩn: $64 \times (5 \times 3 \times 3 \times 10 \times 10) = 288.000$ phép tính nhân.
    • Tích chập Depthwise Separable:
      • Giai đoạn Depthwise: $5 \times (1 \times 3 \times 3 \times 10 \times 10) = 4.500$ phép tính.
      • Giai đoạn Pointwise: $64 \times (5 \times 1 \times 1 \times 10 \times 10) = 32.000$ phép tính.
      • Tổng cộng: $4.500 + 32.000 = 36.500$ phép tính (giảm gần 8 lần so với tích chập tiêu chuẩn).

Đồng thời, cấu trúc MobileNetV2 được loại bỏ bước down-sampling cuối cùng để ngăn chặn việc tiêu biến thông tin vị trí không gian của các điểm mấu chốt. Tác giả khảo sát các kích thước kernel $3 \times 3$, $5 \times 5$, $7 \times 7$ và $9 \times 9$. Kết quả cho thấy kernel kích thước $7 \times 7$ là điểm cân bằng tối ưu: vừa mở rộng vùng nhận thức để phân biệt các cá thể có kích thước nhỏ gần nhau, vừa tránh hiện tượng đưa thông số dư thừa gây nhiễu như khi sử dụng kernel $9 \times 9$.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này giới thiệu khái quát bài toán ước lượng tư thế người 2D, mô tả chi tiết định dạng đầu vào (ảnh 2D chứa một hoặc nhiều người) và đầu ra (tập hợp tọa độ các điểm mấu chốt tạo khung xương). Tác giả phân tích các ứng dụng thực tế trong theo dõi sức khỏe/thể thao (ứng dụng Zenia hỗ trợ yoga), sản xuất nội dung hoạt hình/game (Pose2Pose), và giám sát an ninh (phát hiện bạo lực). Chương 1 cũng chỉ ra ba thách thức lớn của bài toán: hiện tượng các đối tượng người chồng chéo lên nhau (overlapping), tỉ lệ kích thước người quá nhỏ so với khung hình (scale variation), và gánh nặng chi phí tính toán của các mô hình hiện có. Từ đó, chương xác định mục tiêu nghiên cứu, đóng góp chính và cấu trúc 5 chương của khóa luận.

Chương 2: Nghiên cứu liên quan

Chương 2 phân tích sâu hai hướng tiếp cận chính của bài toán ước lượng tư thế người 2D:

  • 2D Human Pose Estimation: So sánh toàn diện giữa hướng tiếp cận Top-down và Bottom-up. Tác giả đánh giá kiến trúc mạng đa nhánh HRNet đạt trạng thái tiên tiến (state-of-the-art) nhờ duy trì biểu diễn đặc trưng phân giải cao nhưng chi phí tính toán quá lớn (> 75 MACs trên tập COCO).
  • Light Weight Model: Nghiên cứu các kiến trúc mạng thu gọn dành cho môi trường biên và ứng dụng thời gian thực. Trọng tâm là phân tích kiến trúc MobileNet và mô hình EfficientPose (ứng dụng MobileNetV2 làm backbone), xác lập cơ sở kết hợp giữa ưu điểm tốc độ của MobileNet và khả năng bảo toàn độ phân giải của HRNet.

Chương 3: Hướng tiếp cận trong khóa luận

Chương này mô tả chi tiết toàn bộ các giải pháp kiến trúc đề xuất nhằm tối ưu hóa thời gian thực thi:

  1. Multi-branch Architectures: Phân tích cơ chế hoạt động của HRNet (gồm lớp Stem và 4 Stage trao đổi đặc trưng bằng các phép upsample/downsample), chỉ rõ sự dư thừa tài nguyên ở các nhánh phân giải cao.
  2. Redundancy in High-Resolution Branches: Đề xuất quy trình Gradual Shrinking cấu hình $A = {A_1, A_2, A_3, A_4}$ nhằm loại bỏ các nhánh dư thừa.
  3. Fusion Deconv Head: Trình bày khối đầu ra kết hợp giải tích chập đơn tầng trực tiếp, loại bỏ độ trễ ghép nhánh.
  4. Mobile Backbone with Large Kernel Convs: Trình bày toán học phép biến đổi Depthwise Separable Convolution (giảm từ 288.000 xuống 36.500 phép tính trong ví dụ minh họa), loại bỏ tầng down-sampling cuối của MobileNetV2 và chứng minh việc lựa chọn kernel $7 \times 7$ thông qua phân tích thực nghiệm so sánh các kích thước 3, 5, 7, 9.
  5. Single Branch, High Efficiency: Phân tích tính thân thiện với phần cứng của cấu trúc đơn nhánh, hạn chế nghẽn dữ liệu và giảm triệt để độ trễ thực thi.

Chương 4: Thực nghiệm và đánh giá

Chương 4 trình bày toàn bộ quá trình thiết lập và kết quả thử nghiệm:

  • Trình bày môi trường thực nghiệm với cấu hình Google Colab (RAM 12GB, GPU Tesla K80) và hệ thống thư viện nền tảng (PyTorch, TensorFlow-GPU, CUDA, cuDNN...).
  • Trình bày chi tiết cơ sở toán học của các chỉ số đánh giá: mAP dựa trên IoU và công thức OKS, chỉ số chi phí tính toán MACs và chỉ số độ trễ Latency.
  • Mô tả các tập dữ liệu thử nghiệm COCO và CrowdPose cùng quy trình huấn luyện trên tập dữ liệu 180.000 ảnh.
  • Đánh giá và so sánh kết quả thực nghiệm của các mô hình: phân tích biểu đồ chi phí tính toán, thời gian thực thi và độ chính xác mAP trên cả hai tập dữ liệu COCO và CrowdPose, thảo luận tính hiệu quả của mô hình đề xuất so với kiến trúc HRNet nguyên bản.

Chương 5: Kết luận

Chương 5 tổng kết lại toàn bộ các kết quả nghiên cứu đã đạt được trong khóa luận, đánh giá mức độ hoàn thành so với mục tiêu ban đầu về việc cắt giảm chi phí tính toán cho bài toán ước lượng tư thế người, đồng thời chỉ ra các điểm hạn chế và định hướng phát triển trong tương lai.

Kết quả và đóng góp

Khóa luận đã đạt được các kết quả kỹ thuật và đóng góp học thuật cụ thể như sau:

  • Cắt giảm chi phí tính toán: Mô hình đề xuất đã giảm đáng kể lượng phép tính từ mức rất cao của mô hình chuẩn HRNet (> 75 MACs trên tập dữ liệu COCO) xuống còn khoảng 5 MACs, tạo điều kiện thuận lợi để ứng dụng vào các hệ thống tính toán thời gian thực.
  • Tối ưu hóa thời gian thực thi (Latency): Nhờ chuyển dịch sang kiến trúc đơn nhánh (single branch) thân thiện với luồng xử lý phần cứng và áp dụng Fusion Deconv Head, độ trễ của mô hình được rút ngắn rõ rệt (dẫn chứng từ mức 174.7 giây của các mô hình đa nhánh phức tạp trong các thiết lập thử nghiệm xuống mức xử lý nhanh của cấu trúc tinh gọn).
  • Đóng góp về mặt kiến trúc:
    • Khảo sát và phân tích toàn diện các điểm nghẽn hiệu năng của kiến trúc mạng đa nhánh trong bài toán ước lượng tư thế người.
    • Đề xuất thành công việc tích hợp mạng xương sống MobileNetV2 sửa đổi (bỏ lớp down-sampling cuối cùng) kết hợp với nhân tích chập lớn ($7 \times 7$) và khối giải mã phân giải cao trực tiếp (Fusion Deconv Head).
    • Kiểm chứng tính hiệu quả và sự cân bằng giữa độ chính xác và chi phí trên hai bộ dữ liệu chuẩn mực COCO và CrowdPose.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung được tác giả trình bày và phạm vi nghiên cứu của khóa luận:

  • Hạn chế:
    • Môi trường huấn luyện và thực nghiệm còn phụ thuộc vào nền tảng Google Colab (GPU Tesla K80, 12GB RAM), chưa triển khai thử nghiệm thực tế trên đa dạng các thiết bị phần cứng nhúng hoặc thiết bị di động chuyên biệt.
    • Việc mở rộng kích thước kernel lên mức quá lớn (như $9 \times 9$) đã được ghi nhận là gây nhiễu thông số và làm giảm hiệu suất, đòi hỏi việc lựa chọn tham số phải thực hiện cẩn trọng theo từng bài toán.
    • Mô hình tinh gọn tập trung tối ưu hóa chi phí tính toán nên trong một số tình huống phức tạp (đối tượng bị che khuất nặng hoặc người có tỉ lệ cực nhỏ trong đám đông), độ chính xác định vị keypoint có sự đánh đổi nhất định so với các mô hình đa nhánh dung lượng lớn.
  • Hướng nghiên cứu tiếp:
    • Tiếp tục tinh chỉnh kiến trúc và áp dụng các kỹ thuật nén mô hình sâu hơn (như lượng tử hóa mạng nơ-ron - quantization, cắt tỉa trọng số - pruning).
    • Đóng gói và thử nghiệm trực tiếp trên các hệ thống biên thời gian thực (Edge AI, camera thông minh) phục vụ bài toán phát hiện bạo lực hoặc phân tích chuyển động thể thao trong đời sống.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên khảo hữu ích cho:

  • Sinh viên, học viên ngành Khoa học Máy tính, Trí tuệ Nhân tạo và Thị giác Máy tính: Cung cấp tài liệu tổng quan mạch lạc về hai trường phái Top-down và Bottom-up trong ước lượng tư thế người 2D, cùng phương pháp tính toán chi tiết chỉ số OKS và mAP.
  • Kỹ sư phát triển hệ thống học sâu cho thiết bị biên (Edge AI / Mobile): Cung cấp giải pháp thực tế về cách chuyển đổi mô hình từ đa nhánh sang đơn nhánh, kỹ thuật loại bỏ tầng down-sampling và ứng dụng tích chập Depthwise Separable kết hợp kernel lớn để tối ưu hóa thời gian thực thi.
  • Phần đáng tham khảo nhất:
    • Nội dung phân tích toán học và định lượng chi phí của phép tích chập Depthwise Separable Convolution ở Chương 3.
    • Cơ chế thiết kế khối Fusion Deconv Head và kỹ thuật Gradual Shrinking tỉa bớt nhánh dư thừa của mạng HRNet.

Câu hỏi thường gặp

1. Tại sao khóa luận lựa chọn hướng tiếp cận Bottom-up thay vì Top-down để giải quyết bài toán thời gian thực?
Hướng tiếp cận Top-down phải chạy qua hai giai đoạn riêng biệt: phát hiện từng người (human detection) rồi mới ước lượng tư thế cho từng người đó. Do đó, thời gian xử lý và chi phí tính toán của Top-down tăng tuyến tính theo số lượng người xuất hiện trong ảnh. Ngược lại, hướng tiếp cận Bottom-up là một mô hình end-to-end phát hiện đồng thời toàn bộ điểm mấu chốt (keypoints) rồi gom nhóm lại, giúp tốc độ xử lý ổn định và nhanh hơn, phù hợp hơn với yêu cầu thời gian thực.

2. Kỹ thuật Gradual Shrinking được tác giả định nghĩa và vận dụng như thế nào?
Gradual Shrinking là kỹ thuật thu hẹp cấu hình mạng đa nhánh $A = {A_1, A_2, A_3, A_4}$ bằng cách giảm dần số khối tinh chỉnh đặc trưng $a_i$ tại các nhánh phân giải cao ($A' \le A$). Kỹ thuật này giúp loại bỏ các nhánh tính toán dư thừa ở các tầng sâu, từ đó cắt giảm số lượng tham số mà vẫn duy trì được khả năng giải quyết biến động kích thước đối tượng (scale variation) của mạng HRNet.

3. Phép tích chập Depthwise Separable Convolution trong khóa luận giúp giảm chi phí tính toán như thế nào qua số liệu minh họa cụ thể?
Với đầu vào kích thước $5 \times 10 \times 10$ và 64 bộ lọc kích thước $5 \times 3 \times 3$:

  • Tích chập chuẩn tiêu tốn: $64 \times (5 \times 3 \times 3 \times 10 \times 10) = 288.000$ phép tính nhân.
  • Tích chập Depthwise Separable gồm hai bước: Depthwise ($5 \times 1 \times 3 \times 3 \times 10 \times 10 = 4.500$) và Pointwise ($64 \times 5 \times 1 \times 1 \times 10 \times 10 = 32.000$), tổng cộng chỉ tiêu tốn $36.500$ phép tính, giảm gần 8 lần khối lượng tính toán.

4. Tại sao tác giả lại chọn kích thước kernel tích chập là $7 \times 7$ thay vì $3 \times 3$, $5 \times 5$ hay $9 \times 9$?
Qua khảo sát thực nghiệm các kích thước kernel $3 \times 3$, $5 \times 5$, $7 \times 7$ và $9 \times 9$, tác giả nhận thấy kernel $7 \times 7$ giúp mở rộng vùng nhìn (receptive field) hiệu quả, thu nhận thông tin ngữ cảnh rộng hơn để phân biệt người nhỏ mà chi phí tính toán tăng không đáng kể. Trong khi đó, nếu tăng kích thước lên $9 \times 9$, mô hình bị nhiễu do tiếp nhận các thông số không cần thiết, làm suy giảm hiệu suất tổng thể.

5. Khối Fusion Deconv Head mang lại lợi ích gì trong cấu trúc mô hình đơn nhánh?
Fusion Deconv Head thực hiện giải tích chập trực tiếp từ tầng áp chót lên tầng dự đoán cuối cùng trong một bước duy nhất. Thiết kế này vừa loại bỏ độ trễ ghép nối phức tạp của các mạng đa nhánh (tăng tốc độ thực thi), vừa kết hợp đặc trưng đầu vào để giữ lại thông tin độ phân giải cao cần thiết cho việc định vị chính xác điểm mấu chốt.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Nguyễn Sĩ Thọ và Dương Văn Nhật Quang đã giải quyết thành công bài toán tối ưu hóa thời gian thực thi cho ước lượng tư thế người 2D bằng việc chuyển đổi kiến trúc mạng từ đa nhánh sang đơn nhánh kết hợp xương sống MobileNetV2 tinh chỉnh. Thông qua việc loại bỏ các nhánh dư thừa ở độ phân giải cao, ứng dụng tích chập phân tách theo chiều sâu với kernel $7 \times 7$ và thiết kế khối Fusion Deconv Head, nghiên cứu đã giảm mạnh chi phí tính toán từ mức > 75 MACs xuống xấp xỉ 5 MACs. Toàn bộ các đề xuất đã được kiểm chứng và đánh giá thực nghiệm bài bản trên hai bộ dữ liệu chuẩn MS COCO và CrowdPose, cung cấp tài liệu tham khảo có giá trị kỹ thuật cao cho việc phát triển các mô hình thị giác máy tính trên thiết bị biên.