Tổng quan về luận án

Sự bùng nổ của công nghệ số, thiết bị di động thông minh và các nền tảng đa phương tiện đã tạo ra các kho dữ liệu hình ảnh số khổng lồ với dung lượng lên đến hàng triệu gigabyte. Việc truy xuất chính xác và nhanh chóng hình ảnh tương đồng từ các cơ sở dữ liệu quy mô lớn trở thành thách thức then chốt trong thị giác máy tính và khoa học dữ liệu. Về mặt lịch sử khoa học, hai phương pháp tiếp cận chủ đạo đã được định hình: tìm kiếm ảnh dựa trên văn bản (Text-Based Image Retrieval - TBIR) và tìm kiếm ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR). Mặc dù TBIR có ưu thế về tốc độ xử lý thông qua việc khớp từ khóa văn bản, phương pháp này bộc lộ hạn chế cố hữu do phụ thuộc hoàn toàn vào quá trình chú thích thủ công—vốn mang nặng tính chủ quan, tốn kém nhân lực và thiếu nhất quán nhận thức giữa những người gán nhãn. Để khắc phục, hệ thống CBIR được phát triển từ đầu thập niên 1980 nhằm tự động trích xuất các đặc trưng thị giác cấp thấp như màu sắc, kết cấu và hình dạng.

Tuy nhiên, CBIR vấp phải một rào cản nền tảng được định danh trong y văn là "khoảng cách ngữ nghĩa" (semantic gap)—sự mất tương thích sâu sắc giữa các đặc trưng trực quan cấp thấp mà máy tính trích xuất từ mức pixel và các khái niệm ngữ nghĩa trừu tượng, phức tạp mà con người sử dụng để tri nhận hình ảnh. Như luận án đã trích dẫn trực tiếp: "Con người có khả năng diễn giải nội dung ảnh ở mức độ nhận thức cao (khái niệm cấp cao), trong khi máy tính chỉ có thể diễn giải nội dung ảnh với các đặc trưng cấp thấp được trích xuất từ các pixel ảnh, có nghĩa là sự giống nhau về nội dung cấp thấp, không có nghĩa giống nhau về ngữ nghĩa". Để thu hẹp khoảng cách này, hướng tiếp cận tìm kiếm ảnh theo ngữ nghĩa (Semantic-Based Image Retrieval - SBIR) trở thành xu thế tất yếu. Dẫu vậy, các giải pháp SBIR hiện thời thường gặp nghịch lý: các mô hình học máy truyền thống thiếu nhận thức ngữ cảnh sâu sắc; các mô hình học sâu (deep learning) hoạt động như những "hộp đen" đòi hỏi tài nguyên tính toán cực lớn và dữ liệu huấn luyện khổng lồ; trong khi các hệ thống dựa trên ontology lại chủ yếu xây dựng thủ công ở quy mô vi mô, thiếu khả năng mở rộng tự động.

Luận án tiến sĩ của Nghiên cứu sinh Nguyễn Thị Uyên Nhi, dưới sự hướng dẫn khoa học của PGS. TS Lê Mạnh Thạnh tại Trường Đại học Khoa học - Đại học Huế (2021), đã giải quyết căn cơ các rào cản trên thông qua công trình: "Nâng cao hiệu quả tìm kiếm dữ liệu ảnh theo tiếp cận ngữ nghĩa". Nghiên cứu đặt ra hệ thống câu hỏi và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để xây dựng một cấu trúc chỉ mục đa chiều cân bằng, cho phép lưu trữ và tra cứu nhanh các tập dữ liệu ảnh lớn mà không suy giảm hiệu năng khi số lượng dữ liệu gia tăng?
  • Câu hỏi nghiên cứu 2 (RQ2): Có thể cải tiến cấu trúc chỉ mục dạng cây để khắc phục hiện tượng chia cắt biên không gian và cải thiện độ chính xác phân cụm láng giềng hay không?
  • Câu hỏi nghiên cứu 3 (RQ3): Cơ chế nào cho phép tự động hóa hoặc bán tự động hóa quy trình xây dựng, làm giàu ontology và liên kết các đặc trưng thị giác với suy diễn ngữ nghĩa cấp cao thông qua ngôn ngữ truy vấn hình thức?
  • Giả thuyết nghiên cứu 1 (H1): Cấu trúc cây phân cụm cân bằng C-Tree (Balanced Clustering Tree) với cơ chế tăng trưởng từ hướng gốc đạt độ phức tạp tìm kiếm tiệm cận $O(M \times \log_M n)$, vượt trội về tốc độ truy xuất trên bộ nhớ ngoài so với duyệt tuyến tính.
  • Giả thuyết nghiên cứu 2 (H2): Mô hình kết hợp đồ thị cụm láng giềng Graph-CTree và mạng nơ-ron tự tổ chức SgC-Tree sẽ nâng cao đáng kể độ chính xác trung bình (MAP) bằng cách bù đắp sai số phân cụm tại các nút lá lân cận.
  • Giả thuyết nghiên cứu 3 (H3): Hệ thống OnSBIR tích hợp ánh xạ từ vựng thị giác (visual vocabulary) vào bộ sinh câu truy vấn SPARQL tự động trên nền tảng ontology OWL/RDF sẽ thu hẹp thực chất khoảng cách ngữ nghĩa so với CBIR truyền thống.

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp đa ngành giữa: Lý thuyết cấu trúc chỉ mục cây cân bằng đa chiều (kế thừa nền tảng B-Tree của Rudolf Bayer & Edward M. McCreight, 1970); Lý thuyết biểu diễn tri thức và Web ngữ nghĩa (Resource Description Framework - RDF, Web Ontology Language - OWL từ W3C); Lý thuyết phân tích đặc trưng thị giác chuẩn MPEG-7; và Mạng nơ-ron tự tổ chức Self-Organizing Map (SOM của Teuvo Kohonen). Đột phá định lượng của luận án được chứng minh trên 4 tập dữ liệu ảnh chuẩn quốc tế với quy mô tổng cộng 52.380 ảnh: COREL (1.000 ảnh, 10 chủ đề đơn đối tượng), WANG (10.800 ảnh, 80 chủ đề đơn đối tượng), ImageCLEF (20.000 ảnh đa đối tượng với 99.535 vùng phân đoạn), và Stanford Dogs (20.580 ảnh với 120 lớp giống chó). Kết quả thực nghiệm cho thấy cấu trúc C-Tree đạt tốc độ truy vấn chỉ 19,91 ms trên tập COREL và duy trì độ ổn định cao trên các tập dữ liệu phức tạp, đồng thời mô hình ontology bán tự động nâng cao vượt bậc độ chính xác truy hồi ngữ nghĩa.

Literature Review và Positioning

Tổng quan y văn quốc tế về xử lý ảnh và truy vấn đa phương tiện cho thấy ba dòng nghiên cứu (research streams) chủ đạo đã phát triển mạnh mẽ trong những thập kỷ qua:

graph TD
    A[Tiến trình nghiên cứu truy vấn ảnh] --> B[Dòng 1: Đặc trưng cấp thấp CBIR]
    A --> C[Dòng 2: Cấu trúc chỉ mục & Phân cụm]
    A --> D[Dòng 3: Thu hẹp khoảng cách ngữ nghĩa SBIR]
    B --> B1[Màu sắc: MPEG-7 DCD, CSD, CDH]
    B --> B2[Kết cấu: GLCM, HOG, LBP, LoG]
    B --> B3[Hình dạng: Sobel, Canny, Fourier, Wavelet]
    C --> C1[Cây chỉ mục: B-Tree, R-Tree, KD-Tree, M-Tree]
    C --> C2[Mạng tự tổ chức: SOM, SOFM]
    D --> D1[Học máy & Visual Vocabulary]
    D --> D2[Ontology & Semantic Web: RDF, OWL, SPARQL]
    D --> D3[Phản hồi liên quan: Relevance Feedback]

Dòng nghiên cứu 1: Trích xuất đặc trưng thị giác cấp thấp (Low-level Visual Feature Extraction). Các công trình tiên phong tập trung vào biểu diễn màu sắc như không gian màu HSV, YCbCr, CIELab, bộ mô tả màu chủ đạo DCD (Dominant Color Descriptor) và cấu trúc màu CSD (Color Structure Descriptor) theo chuẩn MPEG-7 (Manjunath et al., 2002). Về kết cấu, ma trận đồng xuất hiện mức xám GLCM (Haralick et al., 1973), bộ mô tả mẫu nhị phân cục bộ LBP (Ojala et al., 2002) và biểu đồ định hướng Gradient HOG (Dalal & Triggs, 2005) được ứng dụng rộng rãi. Về hình dạng, các phép lọc phát hiện biên vi phân Laplace of Gaussian (LoG), Difference of Gaussian (DoG) và toán tử Sobel/Canny chiếm ưu thế. Tuy nhiên, việc sử dụng đơn lẻ một loại đặc trưng thường dẫn đến hiện tượng đa nghĩa thị giác, đòi hỏi sự phối hợp đa đặc trưng tối ưu.

Dòng nghiên cứu 2: Cấu trúc chỉ mục và phân cụm dữ liệu đa chiều (High-Dimensional Indexing & Clustering). Để quản lý dữ liệu lớn, các cấu trúc dữ liệu dạng cây kế thừa B-Tree (Bayer & McCreight, 1970) như R-Tree (Guttman, 1984), KD-Tree (Bentley, 1975) và M-Tree (Ciaccia et al., 1997) được thiết kế nhằm hỗ trợ truy vấn tương đồng không gian metric. Mặc dù vậy, khi số chiều đặc trưng tăng cao, các cấu trúc này đối mặt với hiện tượng "lời nguyền số chiều" (curse of dimensionality), làm suy giảm hiệu suất phân nhánh và gia tăng chi phí truy cập đĩa I/O.

Dòng nghiên cứu 3: Thu hẹp khoảng cách ngữ nghĩa (Bridging the Semantic Gap). Smeulders et al. (2000) và Liu et al. (2007) đã hệ thống hóa các phương pháp giảm khoảng cách ngữ nghĩa, bao gồm: ánh xạ học máy từ đặc trưng sang từ vựng thị giác (Visual Words); cơ chế phản hồi liên quan (Relevance Feedback); và mô hình hóa tri thức thông qua Ontology (Gruber, 1993; Horrocks et al., 2004).

Trong bức tranh tổng quan đó, hai cuộc tranh luận học thuật sâu sắc đang diễn ra:

  1. Mô hình học sâu (Deep Learning) đối đầu với Mô hình trích xuất đặc trưng kết hợp có cấu trúc: Mặc dù mạng nơ-ron tích chập (CNN) đạt độ chính xác ấn tượng trong phân loại ảnh, luận án khẳng định rõ: "Khả năng diễn giải của mô hình học sâu không mạnh mẽ bằng các mô hình học máy truyền thống, bởi nó được coi như hộp đen, khó giải thích cấu trúc; ngoài ra, cấu trúc của mô hình học sâu là rất phức tạp với số lượng lớn các tham số, nên yêu cầu một lượng dữ liệu rất lớn cho quá trình huấn luyện". Do đó, việc xây dựng một bộ đặc trưng kết hợp nhỏ gọn (81 chiều) kết hợp cấu trúc phân cụm động đem lại tính minh bạch, tốc độ tính toán thực thi và khả năng kiểm soát thuật toán cao hơn.
  2. Ontology thủ công chuyên gia đối đầu với Khung Ontology bán tự động: Phần lớn các hệ thống ontology trong CBIR/SBIR truyền thống được xây dựng bằng tay cho các miền tri thức hẹp (như phân loại hiện vật bảo tàng hay mô bệnh học), dẫn đến tình trạng "thắt cổ chai tri thức" khi mở rộng sang kho dữ liệu lớn hàng chục nghìn ảnh.

Luận án định vị nghiên cứu của mình tại giao điểm mang tính đột phá: xây dựng một cấu trúc cây phân cụm cân bằng đa nhánh C-Tree tối ưu cho bộ nhớ ngoài, cải tiến mở rộng với đồ thị láng giềng Graph-CTree và mạng lai SgC-Tree, đồng thời phát triển cơ chế tự động làm giàu Ontology kết hợp truy vấn SPARQL. So với các nghiên cứu quốc tế điển hình như kiến trúc SIMPLIcity của Wang et al. (2001) hay nghiên cứu phân loại chi tiết Fine-Grained Image Categorization của Khosla et al. (2011) trên tập Stanford Dogs, công trình của Nguyễn Thị Uyên Nhi thể hiện bước tiến vượt bậc về sự kết hợp hoàn chỉnh giữa tối ưu hóa cấu trúc dữ liệu lưu trữ vật lý và suy diễn logic ngữ nghĩa trừu tượng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những đóng góp học thuật quan trọng, mở rộng và định hình lại các lý thuyết nền tảng trong khoa học máy tính:

  1. Mở rộng lý thuyết cây cân bằng B-Tree cho dữ liệu đa chiều: Luận án mở rộng nguyên lý tổ chức dữ liệu cân bằng từ cấu trúc khóa đơn chiều (Bayer & McCreight, 1970) sang không gian véctơ đặc trưng thị giác đa chiều thông qua cấu trúc C-Tree. Khác với B-Tree truyền thống lưu dữ liệu ở mọi nút, C-Tree chỉ lưu véctơ dữ liệu thực tại nút lá và lưu véctơ trọng tâm (centroid) tại các nút trong, đảm bảo mọi nút lá đều có cùng độ sâu và cây tăng trưởng chiều cao từ hướng gốc.
  2. Định hình mô hình toán học cho phân tử dữ liệu và phần tử trọng tâm: Luận án hình thức hóa cấu trúc toán học của các phần tử trong không gian cây:
    • Phần tử dữ liệu tại nút lá $L$: $ED_i = \langle f, ID, file, cla \rangle$, trong đó $f \in \mathbb{R}^{81}$ là véctơ đặc trưng kết hợp, $ID$ là định danh duy nhất của ảnh, $file$ là tệp chứa chú thích ngữ cảnh và $cla$ là tập các nhãn phân lớp ngữ nghĩa.
    • Phần tử trọng tâm tại nút trong $I$: $EC_j = \langle f_c, isNextLeaf, link \rangle$, với $f_c$ là véctơ trọng tâm tính theo trung bình hình học của các phần tử nút con, $isNextLeaf \in {true, false}$ là cờ kiểm tra mức kế tiếp, và $link$ là con trỏ địa chỉ thư mục vật lý.
  3. Hình thành nguyên lý phân cụm động 2-Means phân kỳ: Đề xuất giải thuật tách nút khi số phần tử vượt ngưỡng $M$ (nút lá) hoặc $N$ (nút trong) dựa trên khoảng cách cực đại Euclid: chọn phần tử xa tâm nhất $ED_i = \arg\max (Euclid(ED_k, EC_S))$ làm tâm nhánh trái $N_L$, và chọn phần tử xa $ED_i$ nhất $ED_j = \arg\max (Euclid(ED_k, ED[N_L]))$ làm tâm nhánh phải $N_R$, sau đó cập nhật đệ quy lên nút gốc.
  4. Bước chuyển dịch hệ hình (Paradigm Shift): Chuyển dịch tư duy nghiên cứu từ việc xem ảnh như một ma trận điểm ảnh (pixel matrix paradigm) sang hệ hình tri thức ngữ nghĩa đa tầng (multi-layered semantic knowledge paradigm), nơi các đặc trưng thị giác được ánh xạ trực tiếp thành các cá thể (individuals) và thuộc tính (object/datatype properties) trong mạng lưới bản thể luận Web ngữ nghĩa.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: Lý thuyết phân cụm dữ liệu phân cấp/phân hoạch, Lý thuyết đồ thị láng giềng topo mạng SOM, và Lý thuyết biểu diễn tri thức hình thức Ontology (OWL/RDF). Kiến trúc hệ thống được thiết kế theo cấu trúc mô-đun hai khối tương hỗ:

flowchart LR
    subgraph YellowBlock ["Khối 1: Tìm kiếm theo học máy & Cấu trúc chỉ mục"]
        A1[Ảnh đầu vào / Cơ sở dữ liệu] --> A2[Trích xuất 81 chiều đặc trưng]
        A2 --> A3[Cấu trúc C-Tree / Graph-CTree / SgC-Tree]
        A3 --> A4[Tập ảnh tương tự nội dung]
        A4 --> A5[Phân lớp k-NN & Trích xuất Visual Vocabulary]
    end
    subgraph BlueBlock ["Khối 2: Suy diễn ngữ nghĩa trên Ontology"]
        B1[Visual Vocabulary] --> B2[Bộ sinh câu lệnh SPARQL tự động]
        B2 --> B3[Khung Ontology bán tự động Protégé/OWL/RDF]
        B3 --> B4[Bổ sung & Làm giàu dữ liệu Ontology]
        B4 --> B5[Tập ảnh tương tự ngữ nghĩa & Tri thức cấp cao]
    end
    A5 ==> B1
  • Khối xử lý học máy và cấu trúc cây (Khối màu vàng): Thực hiện nhiệm vụ trích xuất véctơ đặc trưng kết hợp 81 chiều, xây dựng cấu trúc chỉ mục C-Tree/Graph-CTree/SgC-Tree trên bộ nhớ ngoài, truy vấn tập ảnh tương đồng về nội dung thị giác và áp dụng thuật toán phân loại k-Nearest Neighbors ($k$-NN) để tạo ra tập từ vựng thị giác (Visual Vocabulary).
  • Khối suy diễn bản thể học (Khối màu xanh): Đóng vai trò cầu nối ngữ nghĩa cấp cao. Như luận án trích dẫn: "Một ontology đại diện cho kiến thức như một tập hợp các khái niệm trong một miền, sử dụng từ vựng được chia sẻ để biểu thị các loại, tính chất và mối liên hệ của các khái niệm trong các ứng dụng khác nhau". Hệ thống tự động chuyển đổi tập từ vựng thị giác thành các câu lệnh truy vấn chuẩn SPARQL, thực thi trên khung ontology OWL được làm giàu bán tự động, từ đó truy xuất các ảnh tương đồng về mặt khái niệm và ngữ cảnh.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: thuật toán đạt độ chính xác tối ưu khi không gian ảnh có các phân vùng đối tượng nhận diện được thông qua độ tương phản, và cấu trúc cây C-Tree yêu cầu tinh chỉnh tham số ngưỡng sức chứa $(M, N)$ tương thích với kích thước và độ phân tán của từng tập dữ liệu cụ thể.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên lập trường nhận thức luận thực chứng (positivism) kết hợp với chủ nghĩa thực nghiệm tính toán (computational empirical realism). Toàn bộ mô hình lý thuyết được lượng hóa thành các thuật toán toán học chính xác và được kiểm chứng thông qua các thực nghiệm đo lường khách quan. Thiết kế nghiên cứu đa tầng (multi-level design) bao gồm:

  • Tầng 0 (Signal & Pixel Processing): Phân đoạn ảnh dựa trên bản đồ tương phản, tạo mặt nạ nhị phân tách biệt vùng đối tượng (object mask) và vùng nền (background mask).
  • Tầng 1 (Feature Engineering): Trích xuất và chuẩn hóa bộ véctơ đặc trưng kết hợp đa chiều.
  • Tầng 2 (Structural Indexing): Xây dựng và tối ưu hóa cây phân cụm cân bằng C-Tree, đồ thị cụm láng giềng Graph-CTree và mạng SgC-Tree.
  • Tầng 3 (Semantic Reasoning): Biểu diễn tri thức bằng Protégé, sinh mã SPARQL tự động và truy vấn Web ngữ nghĩa.

Mẫu nghiên cứu gồm 4 bộ dữ liệu chuẩn quốc tế với các đặc tính thống kê đa dạng:

Tên tập ảnh Số lượng ảnh Số thư mục Số lượng lớp Kích thước lưu trữ Đặc tính đối tượng
COREL 1.000 10 10 1,64 GB Đơn đối tượng chuẩn
WANG 10.800 80 80 Độ phân giải biến thiên Đơn đối tượng quy mô vừa
ImageCLEF 20.000 39 276 99.535 vùng đối tượng Đa đối tượng phức tạp
Stanford Dogs 20.580 120 120 778 MB Nhận dạng chi tiết (Fine-grained)

Quy trình nghiên cứu rigorous

Quy trình trích xuất đặc trưng kết hợp 81 chiều được thực hiện với độ chính xác toán học nghiêm ngặt:

graph LR
    Img[Ảnh gốc] --> Seg[Phân đoạn tương phản & Mặt nạ Đối tượng / Nền]
    Seg --> Col[Màu sắc MPEG-7 DCD: 25 chiều]
    Seg --> Tex[Kết cấu High-pass / Gaussian / Sobel / LoG: 45 chiều]
    Seg --> Sha[Hình dạng & Tọa độ không gian X-Y: 11 chiều]
    Col --> Vec[Véctơ đặc trưng kết hợp 81 chiều]
    Tex --> Vec
    Sha --> Vec

Cấu trúc chi tiết của véctơ đặc trưng 81 chiều bao gồm:

  1. Đặc trưng màu sắc (25 chiều): Trích xuất theo bộ mô tả màu chủ đạo MPEG-7 DCD kết hợp định dạng màu trực quan.
  2. Đặc trưng kết cấu (45 chiều): Phép lọc tần số cao (9 chiều); Phép lọc Gaussian nâng cao cường độ (9 chiều); Cường độ điểm ảnh láng giềng (9 chiều); Cường độ vùng đối tượng (9 chiều); Cường độ vùng nền (9 chiều).
  3. Đặc trưng hình dạng và bố cục không gian (11 chiều): Diện tích đối tượng (1 chiều); Hình dạng đường biên (1 chiều); Vị trí tương đối của đối tượng theo trục X và Y (2 chiều); Vị trí tương đối của vùng nền theo trục X và Y (2 chiều); Chu vi đối tượng (1 chiều); Chu vi theo phép lọc Sobel (1 chiều); Cường độ láng giềng theo Sobel (1 chiều); Chu vi theo phép lọc Laplacian (1 chiều); Đường nét ảnh theo phép lọc vi phân Laplacian (1 chiều).

Hệ thống thuật toán cốt lõi được đặc tả toán học và cài đặt đầy đủ:

  • Thuật toán 2.1 (Thêm phần tử vào C-Tree - $INF(ED, v)$): Tìm kiếm nút lá có khoảng cách Euclid ngắn nhất tới tâm cụm, chèn phần tử dữ liệu, cập nhật lại tâm cụm đệ quy lên nút gốc với chi phí tìm kiếm $O(M \times \log_M n)$.
  • Thuật toán 2.2 (Tách nút C-Tree - $SN(v)$): Khi kích thước nút vượt ngưỡng $M$ hoặc $N$, áp dụng thuật toán K-means ($k=2$) phân bố các phần tử về hai tâm cực đại, tự động tạo nút cha mới hoặc chèn vào nút cha hiện hữu.
  • Thuật toán 2.3 & 2.4 (Xóa phần tử nút lá/nút trong - $DE(ED, v)$ & $DC(EC, v)$): Xóa phần tử, xử lý trường hợp nút rỗng và lan truyền cập nhật trọng tâm đệ quy để bảo toàn tính cân bằng nghiêm ngặt.
  • Thuật toán 2.5 (Tạo tập từ vựng thị giác - $CVWV(SI, \gamma)$): Khai phá các nhãn lớp ngữ nghĩa xuất hiện trong tập ảnh tương tự $SI$ với tần suất vượt ngưỡng cắt $\gamma$, độ phức tạp tính toán $O(n)$.

Tính giá trị (validity) và độ tin cậy (reliability) của nghiên cứu được củng cố thông qua kỹ thuật tam giác giác hóa (triangulation): kiểm chứng chéo trên 4 bộ dữ liệu với cấu trúc hình thái khác nhau; phân tích đường cong đặc tính thu nhận máy thu (Receiver Operating Characteristic - ROC) và diện tích dưới đường cong (Area Under the Curve - AUC); cùng với biểu đồ độ chính xác - độ phủ (Precision-Recall Curve - PR curve).

Data và phân tích

Môi trường thực nghiệm được thiết lập đồng bộ: Nền tảng Microsoft .NET Framework 4.8, ngôn ngữ lập trình C#, hệ thống vẽ đồ thị và phân tích toán học MATLAB 2015. Cấu hình phần cứng thực thi: Vi xử lý Intel Core i7-8750H CPU @ 2.70GHz, 8GB RAM, hệ điều hành Windows 10 Professional.

Các chỉ số đánh giá hiệu năng chuẩn quốc tế bao gồm: $$\text{Precision} = \frac{|\text{relevant images} \cap \text{retrieved images}|}{|\text{retrieved images}|}$$ $$\text{Recall} = \frac{|\text{relevant images} \cap \text{retrieved images}|}{|\text{relevant images}|}$$ $$\text{F-measure} = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$ $$\text{MAP} = \frac{1}{n} \sum_{i=1}^{n} P_i$$

Kết quả tham số hóa cấu trúc C-Tree và hiệu năng thực nghiệm ban đầu được tổng hợp tại bảng dưới đây:

Tập dữ liệu Ngưỡng lá (M) Ngưỡng trong (N) Số cụm lá Số cụm trong Thời gian dựng cây (s) Số mẫu lấy P@ Tỉ lệ P@ (%)
COREL 10 10 178 41 5.387,40 1.719 76,39%
WANG 20 20 1.048 134 14.821,15 8.520 78,89%
ImageCLEF 25 25 1.892 215 26.889,28 14.230 71,15%
Stanford Dogs 20 20 1.954 228 24.150,62 11.750 57,09%

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt bậc của cấu trúc cây C-Tree trong kiểm soát thời gian truy vấn: Thời gian tìm kiếm trung bình trên cây C-Tree đạt mức ấn tượng: nhanh nhất trên tập COREL với 19,91 ms, và duy trì ở mức 48,15 ms trên tập Stanford Dogs (với 20.580 ảnh phức tạp). Điều này chứng minh cấu trúc cây phân cụm cân bằng với chiều cao $h = \log_M n$ đã giảm thiểu tối đa số lần truy cập đĩa I/O so với quét tuần tự.
  2. Hiện tượng phân hóa độ chính xác giữa ảnh đơn đối tượng và ảnh chi tiết/đa đối tượng: Độ chính xác trung bình (MAP) trên hệ SBIR_CT đạt 0,6072 (COREL) và 0,5890 (WANG). Tuy nhiên, trên tập Stanford Dogs, MAP đạt 0,3043 do các đặc trưng hình thái học của 120 giống chó (như độ dài mõm, nếp gấp tai, màu lông) có độ biến thiên nội lớp cao và liên lớp thấp (fine-grained classification challenge). Tương tự, tập ImageCLEF đạt MAP 0,4125 do chứa trung bình 5 phân lớp đối tượng lồng ghép trên mỗi ảnh.
  3. Giải quyết triệt để lỗi chia cắt biên bằng Graph-CTree và SgC-Tree: Khi các phần tử dữ liệu tương đồng nằm ở ranh giới giữa hai nút lá khác nhau, mô hình cây thuần túy dễ bỏ sót kết quả. Sự kết hợp giữa đồ thị láng giềng Graph-CTree và mạng tự tổ chức SOM (tạo thành mô hình SgC-Tree) đã nâng tỷ lệ chính xác lấy mẫu $P@k$ lên hơn 12,4% trên toàn bộ các tập thử nghiệm.
  4. Đột phá thu hẹp khoảng cách ngữ nghĩa thông qua hệ OnSBIR: Việc tự động chuyển đổi tập từ vựng thị giác trích xuất từ k-NN thành các câu lệnh SPARQL truy vấn trên mô hình Ontology đã loại bỏ các kết quả tương đồng về màu sắc/kết cấu nhưng sai lệch về ngữ cảnh khái niệm. Đường cong ROC của hệ OnSBIR tiến sát góc trên bên trái $(0, 1)$, biểu thị tỷ lệ dương tính thật (TPR) cao và tỷ lệ dương tính giả (FPR) cực thấp.

Implications đa chiều

  • Về mặt lý thuyết (Theoretical Advances): Nghiên cứu thiết lập cầu nối phương pháp luận giữa cấu trúc dữ liệu tính toán hình học (geometric data structures) và biểu diễn tri thức logic hình thức (formal ontological knowledge representation), mở rộng lý thuyết B-Tree sang không gian đa chiều và tự động hóa quá trình sinh tri thức Web ngữ nghĩa.
  • Về mặt phương pháp luận (Methodological Innovations): Quy trình trích xuất véctơ đặc trưng kết hợp 81 chiều nhỏ gọn cung cấp một giải pháp thay thế hiệu quả cho các mạng nơ-ron sâu phức tạp, đặc biệt trong các hệ thống đòi hỏi khả năng giải thích rõ ràng (explainable AI) và tài nguyên tính toán biên hạn chế.
  • Về mặt ứng dụng thực tiễn (Practical Applications): Mô hình có thể ứng dụng trực tiếp vào:
    • Hệ thống lưu trữ và truyền hình ảnh y tế (PACS): Hỗ trợ bác sĩ tra cứu các ca bệnh mô học và phim chụp X-quang/MRI tương đồng về mặt bệnh lý.
    • Thư viện số và Bảo tàng số: Quản trị và phân loại tự động hiện vật di sản văn hóa.
    • Hệ thống thông tin địa lý (GIS) và Viễn thám: Phân loại tự động các vùng cảnh quan bề mặt từ ảnh vệ tinh.
  • Về mặt chính sách (Policy Recommendations): Định hướng cho các cơ quan quản lý nhà nước về xây dựng tiêu chuẩn kiến trúc dữ liệu đa phương tiện quốc gia, tích hợp bản thể học liên ngành trong chuyển đổi số cơ sở dữ liệu mở.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Sự phụ thuộc vào chất lượng phân đoạn ảnh ban đầu: Quá trình trích xuất đặc trưng 81 chiều phụ thuộc vào độ chính xác của mặt nạ tương phản. Trong các bức ảnh có độ tương phản quá thấp hoặc ánh sáng phức tạp, sai số phân đoạn đối tượng có thể lan truyền vào véctơ đặc trưng.
  2. Chi phí tính toán tái cấu trúc cây khi dữ liệu biến động cực lớn: Mặc dù thuật toán thêm/xóa đã được tối ưu hóa đệ quy, việc tái cân bằng cây C-Tree khi chèn hàng triệu ảnh liên tục trong thời gian thực vẫn đòi hỏi tài nguyên I/O đáng kể.
  3. Mức độ bao phủ của từ điển Ontology: Khung ontology hiện tại được xây dựng và làm giàu bán tự động cho các tập dữ liệu thực nghiệm xác định; việc tự động mở rộng sang các miền tri thức mở (open-domain ontology) không giới hạn vẫn là bài toán phức tạp.
  4. Dung lượng lưu trữ phụ trội của đồ thị láng giềng: Mô hình Graph-CTree đòi hỏi lưu trữ các tệp chỉ mục láng giềng cho từng nút lá, làm gia tăng khoảng 15-20% dung lượng bộ nhớ phụ trợ so với C-Tree nguyên bản.

Chương trình nghiên cứu tiếp nối trong giai đoạn 5-10 năm tới bao gồm:

  • Tích hợp mô hình học sâu lai (Hybrid Deep Learning - C-Tree): Sử dụng các mạng tích chập nhẹ (MobileNet, EfficientNet) hoặc Vision Transformer (ViT) để trích xuất đặc trưng sâu tự động thay thế đặc trưng thủ công, sau đó nạp vào cấu trúc C-Tree/SgC-Tree để tăng tốc truy xuất.
  • Phát triển Ontology động tự học (Dynamic Ontology Learning): Ứng dụng các mô hình ngôn ngữ lớn (LLMs) và đồ thị tri thức mở (Knowledge Graphs) để tự động sinh các quan hệ và thuộc tính bản thể luận từ văn bản không cấu trúc trên Internet.
  • Mở rộng sang truy vấn dữ liệu Video và 3D đa chiều: Nghiên cứu cấu trúc C-Tree không-thời gian (spatio-temporal C-Tree) phục vụ tìm kiếm đoạn video hành động và mô hình 3D trong môi trường thực tế ảo (VR/AR).
  • Phân tán hóa cấu trúc dữ liệu trên nền tảng điện toán đám mây: Cài đặt C-Tree và SgC-Tree trên các hệ thống tính toán phân tán (Apache Spark, Ray) nhằm xử lý các kho dữ liệu quy mô hàng tỷ hình ảnh.

Tác động và ảnh hưởng

Công trình nghiên cứu mang lại những tác động sâu rộng trên nhiều bình diện:

  • Ảnh hưởng học thuật (Academic Impact): Đặt nền móng cho các nghiên cứu tiếp theo về cấu trúc dữ liệu chỉ mục phi quan hệ kết hợp suy diễn Web ngữ nghĩa. Với tính hoàn chỉnh về mặt thuật toán và thực nghiệm trên các bộ dữ liệu chuẩn, nghiên cứu mở ra tiềm năng trích dẫn cao trong các tạp chí chuyên ngành thị giác máy tính và hệ thống thông tin.
  • Chuyển đổi công nghiệp (Industry Transformation): Cung cấp giải pháp công nghệ có khả năng thương mại hóa cho các doanh nghiệp phát triển công cụ tìm kiếm thương mại điện tử bằng hình ảnh (Visual Search Engine), tối ưu hóa hạ tầng máy chủ nhờ giảm thiểu độ phức tạp tính toán so với các hệ thống thuần Deep Learning.
  • Hiệu quả xã hội và y tế: Ứng dụng vào hệ thống chẩn đoán hình ảnh y tế giúp nâng cao độ chính xác phát hiện tổn thương bệnh lý, giảm tải áp lực cho đội ngũ y bác sĩ tuyến đầu và hỗ trợ công tác hội chẩn y khoa từ xa.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu trẻ: Tiếp cận mã nguồn mở thuật toán, cấu trúc dữ liệu cây cân bằng C-Tree và quy trình chuẩn hóa phương pháp luận thực nghiệm trên 4 bộ dữ liệu ảnh kinh điển.
  • Các nhà khoa học cao cấp (Senior Academics): Kế thừa khung lý thuyết tích hợp giữa cấu trúc phân cụm tô-pô mạng SOM, đồ thị láng giềng và bản thể học Web ngữ nghĩa để phát triển các lý thuyết biểu diễn tri thức mới.
  • Bộ phận Nghiên cứu & Phát triển (R&D) tại doanh nghiệp: Ứng dụng trực tiếp cấu trúc chỉ mục C-Tree và quy trình sinh câu lệnh SPARQL tự động vào sản phẩm tìm kiếm ảnh thực tế, giúp tiết kiệm hàng triệu USD chi phí phần cứng máy chủ GPU.
  • Các cơ quan hoạch định chính sách số hóa: Nắm bắt cơ sở khoa học để xây dựng chuẩn dữ liệu số quốc gia về bảo tồn di sản văn hóa, y tế thông minh và tài nguyên thông tin địa lý.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc mở rộng cấu trúc cây B-Tree (Bayer & McCreight, 1970) sang không gian véctơ đặc trưng đa chiều để tạo thành cây phân cụm cân bằng C-Tree, kết hợp với cơ chế sinh câu truy vấn SPARQL tự động từ từ vựng thị giác trên nền tảng Ontology (OWL/RDF). Luận án đã giải quyết đồng thời hai bài toán hóc búa: tối ưu hóa tốc độ truy cập đĩa vật lý $O(M \log_M n)$ và suy diễn logic ngữ nghĩa trừu tượng để thu hẹp khoảng cách ngữ nghĩa.

2. Đột phá phương pháp luận của luận án thể hiện thế nào khi so sánh với các nghiên cứu trước đây? Trả lời: So với kiến trúc SIMPLIcity của Wang et al. (2001) chỉ dừng lại ở phân đoạn vùng và đối sánh đặc trưng cấp thấp, và nghiên cứu của Smeulders et al. (2000) vốn chỉ dừng ở mức nhận diện khoảng cách ngữ nghĩa, luận án đã xây dựng một chu trình khép kín: trích xuất bộ đặc trưng kết hợp 81 chiều nhỏ gọn $\rightarrow$ chỉ mục hóa bằng C-Tree/Graph-CTree/SgC-Tree $\rightarrow$ tự động hóa suy diễn ngữ nghĩa với OnSBIR trên quy mô hơn 50.000 ảnh.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm là gì? Trả lời: Phát hiện bất ngờ là sự sụt giảm độ chính xác của các mô hình chỉ mục hình học thuần túy trên tập dữ liệu nhận dạng chi tiết Stanford Dogs (MAP đạt 0,3043 so với 0,6072 trên COREL). Điều này chứng minh rằng đối với các đối tượng có độ tương đồng hình thái học cực cao giữa các loài, các đặc trưng trực quan đơn thuần trở nên bất lực nếu không có sự can thiệp của mạng bản thể luận ngữ nghĩa phân cấp chi tiết.

4. Luận án có cung cấp đầy đủ giao thức tái lập nghiên cứu (Replication Protocol) không? Trả lời: Toàn bộ quy trình nghiên cứu có tính lặp lại tuyệt đối: cấu trúc véctơ 81 chiều được mô tả chi tiết từng chiều (Bảng 1.1), các giải thuật toán học (Thuật toán 2.1 đến 2.5) được cung cấp với mã giả hoàn chỉnh, cấu hình phần mềm (.NET 4.8, C#, MATLAB 2015) và 4 tập dữ liệu chuẩn mực công khai (COREL, WANG, ImageCLEF, Stanford Dogs) đều được định danh rõ ràng.

5. Chương trình nghiên cứu 10 năm tới được phác thảo như thế nào? Trả lời: Kế hoạch 10 năm bao gồm: lai ghép bộ trích xuất đặc trưng sâu từ Vision Transformers (ViT) vào cấu trúc cây C-Tree; tự động hóa việc học Ontology động từ Big Data; mở rộng tìm kiếm không-thời gian cho Video; và phân tán hóa cấu trúc dữ liệu trên nền tảng đám mây quy mô lớn.

Kết luận

Luận án tiến sĩ của Nguyễn Thị Uyên Nhi đã hoàn thành xuất sắc các mục tiêu khoa học đề ra, tạo nên những đóng góp nền tảng cho lĩnh vực thị giác máy tính và truy vấn thông tin đa phương tiện:

  1. Thiết kế thành công cấu trúc cây phân cụm cân bằng C-Tree cùng hệ thống nguyên tắc thêm, xóa, tách nút toán học, đạt độ phức tạp tìm kiếm tối ưu $O(M \times \log_M n)$ trên bộ nhớ ngoài.
  2. Cải tiến vượt bậc độ chính xác chỉ mục thông qua hai cấu trúc nâng cao: đồ thị cụm láng giềng Graph-CTree và mạng lai SgC-Tree, khắc phục triệt để lỗi phân cắt biên cụm dữ liệu.
  3. Xây dựng bộ đặc trưng kết hợp 81 chiều tinh gọn tích hợp màu sắc MPEG-7 DCD, kết cấu đa bộ lọc và hình dạng không gian đối tượng/nền.
  4. Phát triển hệ thống OnSBIR dựa trên bản thể học Ontology bán tự động, thiết lập cơ chế tự động sinh câu truy vấn SPARQL từ tập từ vựng thị giác để thu hẹp thực chất khoảng cách ngữ nghĩa.
  5. Chứng minh tính ưu việt thông qua thực nghiệm quy mô lớn trên 52.380 ảnh thuộc 4 tập dữ liệu chuẩn quốc tế (COREL, WANG, ImageCLEF, Stanford Dogs), khẳng định tốc độ truy vấn chỉ từ 19,91 ms đến 48,15 ms.
  6. Mở ra 3 hướng nghiên cứu mới: Tích hợp Deep Learning vào cây phân cụm, Bản thể học động tự thích nghi, và Cấu trúc chỉ mục phân tán cho dữ liệu đa phương tiện quy mô siêu lớn.