Bối cảnh và vấn đề nghiên cứu

Ngành bán lẻ toàn cầu chịu tổn thất hàng tỷ USD mỗi năm từ tình trạng thất thoát hàng hóa bắt nguồn từ các hành vi trộm cắp và cướp giật. Tại Việt Nam, mô hình cửa hàng tiện lợi mở cửa 24/24h phát triển nhanh chóng tại các đô thị lớn nhưng đi kèm nhiều rủi ro về an ninh. Thực tiễn vận hành bộc lộ nhiều điểm hạn chế:

  • Phần lớn các cửa hàng không có nhân viên bảo vệ hoặc chỉ bố trí vào ban ngày, tạo sơ hở cho tội phạm hoạt động vào ban đêm (điển hình như vụ bắt giữ đối tượng thực hiện liên tiếp 3 vụ cướp cửa hàng tiện lợi tại quận Tân Bình, TP. Hồ Chí Minh vào rạng sáng ngày 21/01/2021).
  • Bố trí quầy kệ hàng hóa đặc trưng tạo ra nhiều điểm mù mà hệ thống camera an ninh truyền thống không thể bao quát.
  • Hoạt động giám sát phụ thuộc hoàn toàn vào sức người; nhân viên không thể theo dõi đồng thời nhiều màn hình và hiệu suất chú ý suy giảm rõ rệt sau 20 phút quan sát liên tục.
  • Hệ thống camera hiện hữu chủ yếu đóng vai trò ghi nhận để trích xuất bằng chứng sau khi sự cố đã diễn ra, thiếu cơ chế phát hiện và cảnh báo tức thời.
  • Các giải pháp thương mại như KBVISION đòi hỏi hạ tầng thiết bị đầu cuối phức tạp (camera chuyên dụng, switch, đầu thu NVR, server, cáp mạng Ethernet) gây tốn kém chi phí triển khai đồng bộ; trong khi các camera gia đình như Xiaomi Yi Camera chỉ dừng ở mức phát hiện chuyển động đơn giản, thiếu chức năng nhận diện danh tính và nhận biết hành vi phạm tội.

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

  1. Đánh giá tính khả thi và hiệu quả của việc áp dụng các mô hình học sâu tiên tiến trong bài toán nhận dạng khuôn mặt và phát hiện hành vi bất thường phục vụ quản lý cửa hàng tiện lợi.
  2. Xây dựng bộ dữ liệu thực nghiệm đặc thù cho ngữ cảnh bán lẻ tại Việt Nam gồm dữ liệu khuôn mặt và dữ liệu video về hành vi bất thường/phạm tội.
  3. Phát triển ứng dụng di động trên nền tảng Android tận dụng trực tiếp camera và năng lực xử lý của điện thoại thông minh để thay thế camera giám sát cố định, kết hợp trang thông tin quản trị (Dashboard) để theo dõi và lưu trữ lịch sử cảnh báo theo thời gian thực mà không cần lắp đặt thêm thiết bị đầu cuối.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán nhận dạng khuôn mặt (Face Detection, Face Identification) và các phương pháp phát hiện hành vi bất thường trong video giám sát (Anomaly Detection); mô hình kiến trúc phần mềm tích hợp di động - máy chủ.
  • Phạm vi không gian: Nghiên cứu tập trung vào không gian bên trong các cửa hàng tiện ích, bách hóa, siêu thị mini tại Việt Nam; dữ liệu thực nghiệm được thu thập trong môi trường mô phỏng trong nhà và video thực tế từ Internet tại các cửa hàng tiện lợi, ngân hàng, tiệm vàng.
  • Phạm vi thời gian: Đề tài được triển khai và hoàn thành vào tháng 06/2021 tại Trường Đại học Công nghệ Thông tin - Đại học Quốc gia TP. Hồ Chí Minh, trong bối cảnh các quy định phòng dịch COVID-19 và quy định đeo khẩu trang nơi công cộng đang được áp dụng.

Cơ sở lý thuyết và phương pháp

Khóa luận dựa trên khung lý thuyết thị giác máy tính và học sâu cho hai bài toán thành phần:

  1. Bài toán nhận dạng khuôn mặt: Được tách làm hai module độc lập:
  • Phát hiện khuôn mặt (Face Detection): Khảo sát và so sánh các giải pháp API thương mại gồm Microsoft Azure Face Detection, KAIROS và Google ML Kit. Tác giả chọn Google ML Kit trên thiết bị di động nhờ khả năng xử lý cục bộ, hỗ trợ xác định 133 điểm viền (contour) và theo dõi đối tượng liên tục mà không phát sinh chi phí giao dịch.
  • Nhận diện danh tính (Face Identification): Sử dụng API nhận dạng khuôn mặt (dựa trên mô hình ArcFace) xử lý tại máy chủ, thời gian phản hồi từ 130-270 ms/khung hình, đạt năng lực nhận diện 4-7 khuôn mặt/giây.
  1. Bài toán phát hiện hành vi bất thường:
  • Khảo sát các hướng tiếp cận học sâu: Có giám sát, bán giám sát, mạng nơ-ron một lớp (One-class NN), học không giám sát và phương pháp lai (Hybrid).
  • Phương pháp giám sát yếu Deep Multiple Instance Learning (MIL) của Sultani et al. được phân tích nhưng bị loại trừ do độ trễ lớn (mất 130 giây để xử lý đoạn video 20 giây chuẩn 240x320 trên GPU Tesla P100 PCIe 16GB), không phù hợp giám sát trực tuyến.
  • Tác giả chọn và cải tiến giải pháp MONAD (Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate của Doshi et al., 2021) từ mô hình ngoại tuyến sang xử lý trực tuyến.

Phương pháp nghiên cứu thực nghiệm:

  • Thiết kế kiến trúc hệ thống: Mô hình lai kết hợp xử lý cục bộ trên thiết bị di động (phát hiện khuôn mặt, lọc khung hình) và suy luận nâng cao trên máy chủ (nhận diện danh tính, phân loại hành vi).
  • Thu thập và xây dựng dữ liệu: Tiến hành thu thập video mô phỏng và thu thập video từ Internet, gán nhãn ở mức độ khung hình (frame-level annotation) theo tiêu chuẩn của tập dữ liệu UCF-Crime.
  • Đánh giá định lượng: Đánh giá độ chính xác của nhận diện khuôn mặt qua chỉ số Precision trên các tập phân loại theo độ khó; đánh giá phát hiện bất thường của MONAD qua ma trận nhầm lẫn (Confusion Matrix) và độ chính xác Precision.

Nguồn dữ liệu sử dụng:

  • Dữ liệu tự xây dựng: 3 bộ dữ liệu UIT-ConStorexFaces, UIT-ConStorexAbnormal và UIT-ConStorexWildAbnormal.
  • Dữ liệu chuẩn quốc tế đối sánh: UCSD Ped 2 và UCF-Crime.

Thiết kế và triển khai

Hệ thống được thiết kế nhằm mục tiêu thay thế hạ tầng camera giám sát truyền thống bằng thiết bị di động thông minh, loại bỏ sự phụ thuộc vào đầu thu NVR, màn hình theo dõi tập trung và hệ thống cáp mạng.

Kiến trúc tổng thể hệ thống

Hệ thống vận hành theo luồng tương tác giữa ứng dụng di động Android và hệ thống máy chủ dịch vụ:

  1. Tầng thu nhận và xử lý cục bộ (Mobile Client): Thiết bị di động đặt ở độ cao 1-2m. Camera điện thoại thu nhận luồng hình ảnh. Google ML Kit chạy trực tiếp trên máy thực hiện phát hiện khuôn mặt và theo dõi quỹ đạo di chuyển. Thiết bị áp dụng các giải pháp lọc nhiễu và giới hạn số lượng khuôn mặt gửi đi để giảm tải mạng.
  2. Tầng suy luận biên/máy chủ (Server APIs): Tiếp nhận khung hình đã cắt hoặc tọa độ để gọi API nhận diện danh tính và chạy quy trình MONAD trực tuyến phát hiện hành vi.
  3. Tầng hiển thị và cảnh báo (Dashboard & Notification): Khi phát hiện đối tượng trong danh sách đen/danh sách theo dõi hoặc phát hiện hành vi trộm cắp/nguy hại, hệ thống phát tín hiệu cảnh báo trên điện thoại và gửi bản ghi sự kiện lên giao diện web Dashboard để người quản lý theo dõi lịch sử.

Thành phần phần mềm MONAD trực tuyến

Mô hình MONAD gồm hai module chính:

  • Module trích xuất đặc trưng (Neural):
    • Mô hình GAN với kiến trúc mạng U-Net dự đoán khung hình tương lai $X_t^{pred}$ từ chuỗi khung hình trước đó ($X_1, ..., X_{t-1}$) và so sánh với khung hình thực tế $X_t$ để tính sai số toàn phương trung bình MSE ($Mean\ Square\ Error$). Hàm mất mát huấn luyện Generator tích hợp ràng buộc cường độ, sai khác góc hướng, dòng quang học (FlowNet) và mất mát đối kháng Discriminator.
    • Mô hình phát hiện vật thể YOLOv4 (thay thế YOLOv3 trong bài báo gốc nhằm tăng 10% mAP và 12% FPS, đạt 65 FPS ở mức 40 AP trên tập COCO) xác định vị trí, diện tích hộp bao và độ tin cậy của các đối tượng liên quan.
    • Vector đặc trưng kết hợp $F_t^i$ có kích thước $m = n + 4$: $$F_t^i = [w_1 MSE(X_t, X_t^{pred}),\ w_2 Center_x,\ w_2 Center_y,\ w_2 Area,\ w_3 p(C_1), ..., w_3 p(C_n)]^T$$ Trong đó $w_1, w_2, w_3$ là các trọng số điều chỉnh; $p(C_1)...p(C_n)$ là xác suất của $n$ lớp đối tượng được lựa chọn.
  • Module phân loại hành vi (Statistical):
    • Áp dụng thuật toán $k$-Nearest Neighbor ($k\text{NN}$) trên không gian dữ liệu bình thường đã huấn luyện.
    • Điểm số bất thường của khung hình tại thời điểm $t$ tính theo độ lệch khoảng cách: $\delta_t = (\max {d_t^i})^2 - \delta_k^2$.
    • Thuật toán cộng dồn hạn chế báo động giả: $s_t = \max{s_{t-1} + \delta_t, 0}$ với $s_0 = 0$. Cảnh báo chỉ được kích hoạt khi $s_t$ tích lũy vượt ngưỡng trong một khoảng thời gian đủ lớn từ $T_{start}$ đến $T_{end}$, loại bỏ các xung nhiễu nhất thời.

Thông tin hiện thực và kiểm thử

Thành phần Công nghệ / Nền tảng Kho mã nguồn / Liên kết
Ứng dụng di động Android, Google ML Kit GitHub face-detection / Bộ cài đặt
Web Dashboard Giao diện quản trị web GitHub My-Dashboard / Hệ thống Dashboard
Video minh họa YouTube Video Demo
Bộ dữ liệu Tổng hợp 3 bộ dữ liệu Kho dữ liệu khóa luận

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Trình bày tính cấp thiết của công tác đảm bảo an ninh trong bối cảnh các chuỗi cửa hàng tiện lợi bùng nổ tại Việt Nam nhưng thiếu hụt lực lượng bảo vệ ban đêm. Tác giả phân tích các hạn chế của con người trong giám sát camera và nêu bật thiệt hại kinh tế của ngành bán lẻ. Đưa ra giải pháp sử dụng thiết bị di động thay thế hệ thống camera truyền thống, tích hợp nhận diện khuôn mặt và phát hiện bất thường. Xác định rõ mục tiêu, phạm vi nghiên cứu thực nghiệm trong nhà do ảnh hưởng của dịch bệnh COVID-19, cùng cấu trúc 6 chương của khóa luận.

Chương 2: Công trình liên quan và kiến thức nền tảng

Khảo sát các giải pháp giám sát thương mại hiện hành gồm hệ thống nhận diện khuôn mặt KBVISION và camera giám sát Xiaomi Yi. Trình bày cơ sở lý thuyết bài toán nhận dạng khuôn mặt gồm phát hiện khuôn mặt (so sánh Microsoft Azure, KAIROS, Google ML Kit) và nhận diện danh tính qua API. Phân tích bài toán phát hiện hành vi nguy hại, định nghĩa dị thường và phân loại 5 nhánh phương pháp học sâu. Phân tích chi tiết mô hình Deep MIL và chỉ ra nhược điểm tính toán ngoại tuyến. Trình bày chi tiết phần mềm MONAD thời gian thực: kiến trúc mạng U-Net GAN dự đoán khung hình, mô hình YOLOv3/YOLOv4, công thức cấu tạo vector đặc trưng $F_t^i$, thuật toán phân loại tuần tự phi đối xứng bằng $k\text{NN}$ và cơ chế lọc báo động giả dựa trên chuỗi tích lũy $s_t$.

Chương 3: Xây dựng bộ dữ liệu đánh giá

Quy trình xây dựng 3 bộ dữ liệu thực nghiệm trong điều kiện giãn cách xã hội:

  • UIT-ConStorexFaces: 13 danh tính, 78 video, độ phân giải từ 640x368 đến 2160x1080 (tỉ lệ 16:9 và 18:9), tiêu cự 26mm, 30 FPS. Chia thành hai tập: tập CheckIn (17 video, quay cự ly gần 30-40cm mô phỏng thanh toán/xác thực) và tập Surveillance (61 video, quay cự ly 1-2m mô phỏng giám sát an ninh với các tình huống di chuyển, quay đầu, ngược sáng, đeo khẩu trang, đội mũ bảo hiểm).
  • UIT-ConStorexAbnormal: 113 video mô phỏng hành vi mua sắm bình thường (đi qua, lựa chọn hàng hóa) và hành vi trộm cắp (bỏ đồ vào ba lô, túi áo quần, túi vải, các góc quay bị che khuất).
  • UIT-ConStorexWildAbnormal: 66 video thu thập từ Internet ghi lại các sự kiện thực tế tại Việt Nam gồm trộm cắp, cướp giật, tấn công nhân viên và hoạt động bình thường tại các cửa hàng tiện lợi, ngân hàng, tiệm vàng.

Chương 4: Phương pháp và kết quả đánh giá

Thiết lập môi trường thực nghiệm và tiêu chí đánh giá cho từng bài toán:

  • Nhận dạng khuôn mặt: Đánh giá phương pháp trên tập CheckIn và Surveillance của bộ dữ liệu UIT-ConStorexFaces theo các mức độ phân loại Dễ, Trung bình, Khó.
  • Phát hiện bất thường: Chuyển đổi mã nguồn MONAD sang dạng trực tuyến (online inference) và thực nghiệm lần lượt trên tập UIT-ConStorexAbnormal và UIT-ConStorexWildAbnormal; đối sánh các chỉ số với kết quả của MONAD trên tập dữ liệu chuẩn quốc tế UCSD Ped 2.

Chương 5: Ứng dụng quản lý cửa hàng tiện lợi

Trình bày chi tiết lý do lựa chọn ứng dụng di động làm nền tảng triển khai (tận dụng phần cứng sẵn có, tính linh động cao, triển khai tức thì). Mô tả thiết kế giao diện người dùng và quy trình hoạt động của ứng dụng Android: tính năng đăng ký và cập nhật danh sách đối tượng theo dõi, tính năng nhận diện khuôn mặt theo thời gian thực (thử nghiệm trong các điều kiện nhiều người di chuyển, thay đổi ánh sáng, ngược sáng, vật che khuất), tính năng phát hiện hành vi bất thường và luồng truyền dữ liệu cảnh báo lên trang web Dashboard.

Chương 6: Kết luận và hướng phát triển

Tổng kết các kết quả đạt được về mặt lý thuyết, bộ dữ liệu và ứng dụng phần mềm thực tế. Chỉ ra các hạn chế cố hữu về mặt thuật toán và điều kiện thử nghiệm, từ đó đề xuất các hướng nghiên cứu hoàn thiện trong tương lai.

Kết quả và đóng góp

Kết quả thực nghiệm định lượng

Dữ liệu thực nghiệm của khóa luận được tổng hợp qua các bảng số liệu sau:

Bảng 1: Thống kê quy mô các bộ dữ liệu xây dựng trong khóa luận

Tên bộ dữ liệu Số lượng video Số danh tính Đặc điểm nội dung chính
UIT-ConStorexFaces 78 13 17 video CheckIn (cự ly gần 30-40cm) và 61 video Surveillance (cự ly 1-2m, có khẩu trang/ngược sáng)
UIT-ConStorexAbnormal 113 - Video dàn dựng mô phỏng hành vi bình thường và hành vi trộm cắp (giấu vào túi, balo, góc khuất)
UIT-ConStorexWildAbnormal 66 - Video trích xuất thực tế từ Internet về trộm, cướp, tấn công tại cửa hàng tiện lợi, ngân hàng, tiệm vàng

Bảng 2: Kết quả đánh giá độ chính xác của các phương pháp

Bài toán Phương pháp áp dụng Tập dữ liệu đánh giá Độ chính xác (Precision) Ghi chú đánh giá thực tế
Nhận dạng khuôn mặt API dựa trên ArcFace kết hợp Google ML Kit UIT-ConStorexFaces (Tập CheckIn) 0.97 Nhận diện cự ly gần hoạt động ổn định
Nhận dạng khuôn mặt API dựa trên ArcFace kết hợp Google ML Kit UIT-ConStorexFaces (Tập Surveillance) Giảm dần đến 0.59 Giảm mạnh khi đối tượng đeo khẩu trang, đội mũ bảo hiểm, ngược sáng
Phát hiện bất thường MONAD trực tuyến (U-Net GAN + YOLOv4 + $k\text{NN}$) UIT-ConStorexAbnormal 0.82 Phân loại tốt các hành vi mô phỏng trộm cắp có chủ đích
Phát hiện bất thường MONAD trực tuyến (U-Net GAN + YOLOv4 + $k\text{NN}$) UIT-ConStorexWildAbnormal 0.26 Độ chính xác suy giảm sâu do bối cảnh thực tế phức tạp

Đóng góp của đề tài

  1. Xây dựng và công bố công khai 3 bộ dữ liệu chuyên biệt phục vụ bài toán an ninh bán lẻ tại Việt Nam (UIT-ConStorexFaces, UIT-ConStorexAbnormal, UIT-ConStorexWildAbnormal) với nhãn gán chi tiết ở mức độ khung hình.
  2. Hiệu chỉnh và chuyển đổi thành công kiến trúc MONAD từ xử lý ngoại tuyến sang xử lý luồng trực tuyến, đồng thời nâng cấp mạng trích xuất vật thể sang YOLOv4 giúp cải thiện tốc độ và độ chính xác trích xuất đặc trưng.
  3. Hiện thực hóa giải pháp phần mềm hoàn chỉnh gồm ứng dụng di động Android và Web Dashboard, chứng minh tính khả thi của việc tái sử dụng thiết bị di động thông minh làm thiết bị an ninh biên không cần đầu thu và camera chuyên dụng.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra các điểm hạn chế:

  • Độ chính xác nhận diện khuôn mặt suy giảm trong môi trường phức tạp: Mô hình gặp khó khăn lớn khi đối tượng bị che khuất bởi khẩu trang y tế, mũ bảo hiểm hoặc di chuyển trong điều kiện ngược sáng mạnh (Precision tập Surveillance giảm xuống mức 0.59).
  • Hiệu năng của MONAD trên dữ liệu thực tế còn thấp: Khi chuyển từ tập dữ liệu dàn dựng sang tập dữ liệu thực tế (UIT-ConStorexWildAbnormal), Precision sụt giảm nghiêm trọng từ 0.82 xuống 0.26 do góc quay camera thực tế quá đa dạng, chất lượng hình ảnh không đồng đều và bối cảnh hiện trường phức tạp hơn rất nhiều so với tập dữ liệu mẫu UCSD Ped 2.
  • Phụ thuộc hạ tầng mạng: Quá trình nhận diện danh tính và truyền dữ liệu cảnh báo phụ thuộc vào kết nối Internet tới máy chủ; độ trễ mạng có thể làm gián đoạn tính thời gian thực.
  • Môi trường thử nghiệm giới hạn: Do ảnh hưởng của dịch bệnh COVID-19 và quy định giãn cách xã hội, dữ liệu nghiên cứu chưa được triển khai thử nghiệm dài hạn trực tiếp tại các cửa hàng tiện lợi đang vận hành thực tế.

Hướng phát triển tiếp theo:

  • Tối ưu hóa các mô hình học sâu nhận dạng khuôn mặt thích ứng với ngữ cảnh đối tượng đeo khẩu trang (Masked Face Recognition).
  • Cải thiện thuật toán phát hiện bất thường của MONAD để thích nghi tốt hơn với sự thay đổi góc quay và độ phức tạp của hiện trường thực tế.
  • Đóng gói và tối ưu hóa các mô hình phân loại để chạy trực tiếp trên phần cứng di động (On-device Edge AI) nhằm giảm sự phụ thuộc vào đường truyền mạng và máy chủ dịch vụ.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo thiết thực cho:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Khoa học Máy tính, Công nghệ Thông tin: Tham khảo quy trình xây dựng ứng dụng di động AI kết hợp xử lý biên (Edge) và máy chủ (Server); phương pháp tích hợp các API thị giác máy tính vào hệ điều hành Android.
  • Các nhà nghiên cứu về Thị giác máy tính và Học sâu: Cung cấp tài liệu tham khảo và nguồn dữ liệu thực nghiệm đã gán nhãn khung hình (UIT-ConStorexFaces, UIT-ConStorexAbnormal, UIT-ConStorexWildAbnormal) cho các đề tài nghiên cứu về nhận dạng khuôn mặt trong điều kiện che khuất và bài toán phát hiện bất thường trong video giám sát tại Việt Nam.
  • Kỹ sư phát triển hệ thống an ninh bán lẻ: Tham khảo phân tích kỹ thuật về ưu nhược điểm của các hệ sinh thái camera giám sát hiện nay (KBVISION, Xiaomi) và kiến trúc triển khai giám sát nhẹ (lightweight monitoring) không cần đầu tư thiết bị đầu cuối đắt tiền.

Câu hỏi thường gặp

1. Khóa luận sử dụng công nghệ nào để thực hiện việc phát hiện khuôn mặt trên thiết bị di động và tại sao không dùng API đám mây của Microsoft hay KAIROS? Tác giả sử dụng Google ML Kit tích hợp trực tiếp trên hệ điều hành Android. Microsoft Azure Face Detection và KAIROS tuy có độ chính xác cao nhưng phát sinh chi phí giao dịch liên tục (Azure tính phí 1$ cho mỗi 1.000 giao dịch; KAIROS thu phí cố định 249$ cùng 0.002$ mỗi giao dịch). Google ML Kit xử lý trực tiếp trên thiết bị (on-device), hỗ trợ xác định 133 điểm viền khuôn mặt, theo dõi người liên tục và không tốn phí duy trì dịch vụ, giúp giảm khối lượng yêu cầu gửi lên máy chủ nhận diện danh tính.

2. Tại sao phương pháp phát hiện bất thường Deep Multiple Instance Learning (MIL) không được lựa chọn để triển khai hệ sinh thái giám sát trực tuyến? Phương pháp Deep MIL của Sultani et al. có kiến trúc mạng học sâu phức tạp và vận hành theo cơ chế ngoại tuyến (nhận đầu vào là cả đoạn video chia thành 32 phân đoạn thời gian). Qua thực nghiệm kiểm tra, mô hình cần tới 130 giây để xử lý một đoạn video ngắn 20 giây (chuẩn phân giải 240x320) trên GPU Tesla P100 PCIe 16GB. Độ trễ quá lớn này khiến Deep MIL hoàn toàn không khả thi đối với bài toán cảnh báo an ninh theo thời gian thực trên camera giám sát.

3. Kiến trúc của mô hình MONAD được cấu thành từ những thành phần nào và vector đặc trưng khung hình được biểu diễn ra sao? MONAD gồm hai module: Module Neural trích xuất đặc trưng (kết hợp mạng GAN U-Net để dự đoán sai số khung hình MSE và mô hình YOLOv4 để phát hiện vật thể) và Module Statistical phân loại bất thường (sử dụng thuật toán $k\text{NN}$ và bộ lọc tích lũy cảnh báo giả $s_t$). Vector đặc trưng $F_t^i$ của vật thể thứ $i$ có độ dài $m = n + 4$, gồm: $$F_t^i = [w_1 MSE(X_t, X_t^{pred}),\ w_2 Center_x,\ w_2 Center_y,\ w_2 Area,\ w_3 p(C_1), ..., w_3 p(C_n)]^T$$

4. Vì sao độ chính xác phát hiện bất thường của MONAD lại sụt giảm mạnh từ 0.82 trên tập UIT-ConStorexAbnormal xuống 0.26 trên tập UIT-ConStorexWildAbnormal? Tập dữ liệu UIT-ConStorexAbnormal gồm các video được tác giả thiết lập theo kịch bản mô phỏng có chủ đích với góc quay và ánh sáng tương đối đồng nhất. Ngược lại, tập UIT-ConStorexWildAbnormal gồm các video thu thập từ Internet ghi lại các vụ việc thực tế tại nhiều địa điểm (cửa hàng, ngân hàng, tiệm vàng) với góc quay bị che khuất, độ phân giải thay đổi, mật độ người đông đúc và ngữ cảnh phức tạp hơn nhiều so với tập dữ liệu mẫu chuẩn (như UCSD Ped 2) mà thuật toán MONAD vốn đạt kết quả cao trước đó.

Kết luận

Khóa luận của tác giả Lê Tuấn Anh đã nghiên cứu và phát triển thành công giải pháp ứng dụng di động hỗ trợ quản lý cửa hàng tiện lợi, kết hợp công nghệ nhận dạng khuôn mặt và phát hiện hành vi bất thường trực tuyến trên nền tảng Android và Web Dashboard. Nghiên cứu đóng góp 3 bộ dữ liệu chuyên biệt về an ninh bán lẻ trong bối cảnh thực tế tại Việt Nam và đưa ra những cải tiến cụ thể cho mô hình MONAD phục vụ suy luận thời gian thực. Các kết quả thực nghiệm định lượng vừa chỉ ra tiềm năng to lớn của việc ứng dụng thiết bị di động thay thế hạ tầng giám sát phức tạp, vừa phản ánh khách quan những rào cản kỹ thuật cần tiếp tục khắc phục khi triển khai học sâu vào môi trường an ninh thực tế.