Tổng quan về luận án

Bảo tồn đa dạng sinh học và phát triển nông nghiệp bền vững đòi hỏi sự hiểu biết sâu sắc về hệ thực vật. Về mặt bản chất khoa học, "The purpose of plant identification is matching a given specimen plant to a known taxon." Nhận dạng thực vật truyền thống dựa trên khóa phân loại lưỡng phân (dichotomous keys) do các nhà thực vật học thực hiện đòi hỏi chuyên môn cao, tốn nhiều thời gian và khó tiếp cận đối với đại chúng. Sự phát triển của thị giác máy tính và học máy đã mở ra kỷ nguyên nhận dạng tự động. Nghiên cứu thực nghiệm chỉ ra rằng "automatic plant identification results are lower than the best experts but approximate to the experienced experts and far exceeds those of beginners or amateurs in plant taxonomy" (Bonnet và cộng sự).

Tuy nhiên, lĩnh vực nhận dạng thực vật tự động đối mặt với hai khoảng trống nghiên cứu (research gaps) lớn:

  1. Độ chính xác nhận dạng từ ảnh đơn cơ quan (đặc biệt là lá) bị suy giảm nghiêm trọng khi đối mặt với ảnh chụp môi trường tự nhiên (NaturalBackground) có nền phức tạp, biến đổi góc chụp, che khuất (occlusion) và điều kiện chiếu sáng bất lợi.
  2. Việc nhận dạng dựa trên một cơ quan duy nhất không phản ánh toàn diện đặc trưng loài do tính tương đồng liên lớp cao (large inter-class similarity) và độ biến thiên nội lớp lớn (large intra-class variation); đồng thời các kỹ thuật kết hợp đa cơ quan hiện nay chưa dung hòa được tính bổ trợ phi tuyến tính giữa các cơ quan thực vật.

Luận án tiến sĩ ngành Khoa học Máy tính (mã số: 9480101) của nghiên cứu sinh Nguyễn Thị Thanh Nhàn, thực hiện tại Viện Nghiên cứu Quốc tế MICA, Trường Đại học Bách khoa Hà Nội dưới sự hướng dẫn của PGS. TS. Lê Thị Lan và PGS. TS. Hoàng Văn Sâm, tập trung giải quyết các câu hỏi nghiên cứu cốt lõi:

  • RQ1: Làm thế nào để trích xuất đặc trưng phân biệt cao của lá cây trong môi trường nền phức tạp mà không phụ thuộc hoàn toàn vào các giả định phân đoạn ảnh đơn giản hóa?
  • RQ2: Kiến trúc dung hợp (fusion scheme) tối ưu nào có thể kết hợp độ tin cậy từ nhiều cơ quan (lá, hoa, quả, thân, cành) nhằm tối đa hóa độ chính xác nhận dạng?
  • RQ3: Làm sao để xây dựng một quy trình hoàn chỉnh từ phát hiện cơ quan thực vật đến tra cứu ứng dụng thực tế cho dữ liệu dược liệu bản địa Việt Nam?

Nghiên cứu được định vị trên khung lý thuyết học máy thống kê (Statistical Learning Theory), lý thuyết mô tả hạt nhân (Kernel Descriptors - KDES) và học sâu (Deep Convolutional Neural Networks). Luận án tạo ra tác động định lượng đột phá: nâng cao độ chính xác nhận dạng lá đơn cơ quan trên các tập chuẩn quốc tế Flavia (32 loài), ImageCLEF 2013 (126 loài), LifeCLEF 2015, thiết lập cơ chế dung hợp Robust Hybrid Fusion (RHF) vượt trội mô hình MCDCNN hiện đại, và phát triển hệ thống VnMed phục vụ tra cứu 596 loài cây dược liệu Việt Nam.

Literature Review và Positioning

Tổng quan y văn nhận dạng thực vật phân hóa qua ba thế hệ tiếp cận chính:

  1. Tiếp cận thủ công và bán tự động: Sử dụng khóa lưỡng phân hình thái hoặc công cụ đồ họa trực quan (hệ thống IDAO của Grard và cộng sự). Phương pháp này trực quan hơn nhưng bị giới hạn bởi tập biểu tượng cố định và tốc độ tra cứu chậm.
  2. Tiếp cận đặc trưng thủ công (Hand-designed features): Trích xuất hình học lá (aspect ratio, eccentricity, Hu moments, Zernike moments), kết cấu (Haralick texture, Gabor features) và màu sắc (HSV, SIFT, HOG) kết hợp cùng bộ phân loại SVM, Random Forest hay PNN (Aakif & Khan, 2015; Valliammal & Geethalakshmi, 2012). Điển hình là Leafsnap (Kumar và cộng sự, 2012) sử dụng Histogram of Curvature over Scale trên ảnh lá có nền trơn (SheetAsBackground/Scan). Nhược điểm của nhóm này là tính tổng quát kém khi số lượng loài mở rộng và nền phức tạp.
  3. Tiếp cận học sâu (Deeply-learned features): Tận dụng mạng tích chập (CNNs) để học biểu diễn đa tầng từ mức điểm ảnh đến ngữ nghĩa (AlexNet, VGG, GoogLeNet, ResNet). Dữ liệu thực nghiệm của cuộc thi LifeCLEF đã chứng minh bước chuyển dịch mô hình sâu sắc: "In [1] teams using hand-designed feature achieved results on plant identification in LifeCLEF 2015 with a score of [0.300], while teams using deeply-learned feature achieved results with a score of [0.74]."
                      ┌─────────────────────────────────────────────────────────┐
                      │             QUY TRÌNH NHẬN DẠNG THỰC VẬT                │
                      └────────────────────────────┬────────────────────────────┘
                                                   │
                ┌──────────────────────────────────┴──────────────────────────────────┐
                ▼                                                                     ▼
┌───────────────────────────────┐                                   ┌───────────────────────────────────┐
│     ĐƠN CƠ QUAN (LÁ CÂY)      │                                   │       ĐA CƠ QUAN THỰC VẬT         │
└───────────────┬───────────────┘                                   └─────────────────┬─────────────────┘
                │                                                                     │
                ▼                                                                     ▼
┌───────────────────────────────┐                                   ┌───────────────────────────────────┐
│ Interactive Segmentation      │                                   │ Single Organ CNNs (AlexNet,       │
│ (Marker-controlled Watershed) │                                   │ GoogLeNet, ResNet-50)             │
└───────────────┬───────────────┘                                   └─────────────────┬─────────────────┘
                │                                                                     │
                ▼                                                                     ▼
┌───────────────────────────────┐                                   ┌───────────────────────────────────┐
│ Adaptive Patch KDES           │                                   │ Robust Hybrid Fusion (RHF)        │
│ (Gradient, Orientation, Pos)  │                                   │ (Product Rule + Soft-margin SVM)  │
└───────────────┬───────────────┘                                   └─────────────────┬─────────────────┘
                │                                                                     │
                ▼                                                                     ▼
┌───────────────────────────────┐                                   ┌───────────────────────────────────┐
│ Hand Pyramid + Linear SVM     │                                   │ Final Prediction & VnMed Engine   │
└───────────────────────────────┘                                   └───────────────────────────────────┘

Trong nhận dạng đa cơ quan, các nghiên cứu quốc tế tồn tại tranh luận giữa hai trường phái:

  • Early fusion (Dung hợp sớm): Ghép nối véc-tơ đặc trưng ở tầng ẩn (l20, FC6, FC8) như mạng Multi-Column Deep CNN (Lee và cộng sự, 2015; Zhang và cộng sự, 2017). Nhược điểm là bùng nổ số chiều không gian đặc trưng và không tương thích nếu cấu trúc biểu diễn giữa các cơ quan quá khác biệt.
  • Late fusion (Dung hợp muộn): Kết hợp điểm số xác suất hoặc thứ hạng đầu ra bằng các quy tắc chuyển đổi như trung bình, tích số, Borda count hay hàm trọng số (Pl@ntNet của Joly, Goëau và cộng sự, 2014; Bonnet và cộng sự, 2016). Các quy tắc chuyển đổi tĩnh này thường bỏ qua mối tương quan phi tuyến và phân bố điểm tin cậy riêng biệt của từng cặp lớp.

Luận án định vị chính xác tại điểm giao thoa: đề xuất giải pháp bán tự động kết hợp hạt nhân thích nghi KDES cho ảnh lá đơn cơ quan và thiết lập cơ chế dung hợp muộn dựa trên phân loại Robust Hybrid Fusion (RHF) để giải quyết triệt để bài toán nhận dạng đa cơ quan.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và đóng góp sâu sắc vào ba nền tảng lý thuyết:

  1. Lý thuyết mô tả hạt nhân (Kernel Descriptors - Bo et al., 2010): Phát triển KDES trên các mảng thích nghi kích thước (adaptive-size patches) và cấu trúc phân tầng Hand Pyramid. Mô hình chuyển đổi việc so khớp cục bộ pixel thành hàm tương quan liên tục trong không gian Hilbert (RKHS), vượt qua giới hạn cứng nhắc của lưới cố định trong KDES truyền thống.
  2. Lý thuyết học thống kê và tối ưu hóa lề cực đại (Vapnik & Cortes, 1995): Thiết lập mô hình phân loại nhị phân mềm (soft-margin SVM) trên véc-tơ điểm tin cậy đa cơ quan, mô hình hóa khoảng cách tới siêu phẳng phân tách $w \cdot x + b = 0$ như một thước đo phân loại đa phương thức.
  3. Lý thuyết dung hợp quyết định (Decision Fusion Theory - Kittler et al., 1998): Luận án chứng minh rằng việc kết hợp đồng thời quy tắc biến đổi đại số (Product Rule) và mô hình phân loại học được (Classification-based Fusion) loại bỏ được sự phụ thuộc cảm tính vào việc gán trọng số tĩnh giữa các cơ quan.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết trên thành một kiến trúc thống nhất:

  • Biểu diễn hạt nhân gradient tích hợp: Trích xuất đồng thời độ lớn chuẩn hóa $\tilde{m}(z)$, hướng $\tilde{\theta}(z)$ và vị trí $p(z)$ qua tích Kronecker: $$k(z, z') = k_{\tilde{m}}(\tilde{m}(z), \tilde{m}(z')) k_o(\tilde{\theta}(z), \tilde{\theta}(z')) k_p(p(z), p(z'))$$
  • Không gian điểm số đa cơ quan (Multi-organ Confidence Score Space): Với tập truy vấn $q = {I_1, I_2}$ gồm hai cơ quan (ví dụ: lá và hoa), không gian đặc trưng dung hợp được cấu tạo từ tích chập điểm tin cậy $s_i(I_1) \times s_i(I_2)$ và véc-tơ xác suất phân lớp từ mạng nơ-ron tích chập.
  • Điều kiện biên (Boundary conditions): Mô hình giả định sự sẵn có của ít nhất một ảnh cơ quan quan sát chất lượng chấp nhận được và sự can thiệp tối thiểu của người dùng (vài nét vẽ mầm - markers) đối với ảnh lá nền phức tạp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (positivism) kết hợp thiết kế nghiên cứu đa tầng (multi-level experimental design):

  • Tầng 1 - Xử lý ảnh và biểu diễn cục bộ: Phân đoạn tương tác lá bằng Marker-controlled Watershed và GrabCut kết hợp bộ lọc Canny để chuẩn hóa hướng cuống lá (geometric transformation).
  • Tầng 2 - Trích xuất đặc trưng hạt nhân thích nghi: Chia ảnh thành các patch có kích thước co giãn theo tỷ lệ diện tích lá thay vì kích thước pixel tuyệt đối, ánh xạ véc-tơ đặc trưng qua kim tự tháp không gian (Spatial Pyramid).
  • Tầng 3 - Nhận dạng sâu và dung hợp: Áp dụng học chuyển giao (Transfer Learning) từ tập dữ liệu ImageNet (1,2 triệu ảnh, 1.000 lớp) sang các mạng AlexNet, GoogLeNet và ResNet-50 cho từng cơ quan riêng biệt, sau đó đưa vào khối dung hợp RHF.
┌────────────────────────────────────────────────────────────────────────────────────────┐
│                        KIẾN TRÚC DUNG HỢP ROBUST HYBRID FUSION (RHF)                  │
└────────────────────────────────────────────────────────────────────────────────────────┘

 Ảnh Cơ Quan 1 (Lá) ───► CNN (ResNet/GoogLeNet) ───► Điểm Tin Cậy s_i(I_1) ┐
                                                                           ├─► Product Rule ┐
 Ảnh Cơ Quan 2 (Hoa) ──► CNN (ResNet/GoogLeNet) ───► Điểm Tin Cậy s_i(I_2) ┘                │
                                                                                            ▼
                                                    Mẫu Dương / Âm (Score Vectors) ──► Soft-Margin SVM
                                                                                            │
                                                                                            ▼
                                                                           Xác Suất Lớp Dự Đoán Cuối Cùng

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm được chuẩn hóa nghiêm ngặt theo các giao thức:

  • Chuẩn hóa dữ liệu: Loại bỏ cuống lá (petiole removal) để tránh sai số hình học ngoài ý muốn; xoay ảnh để đỉnh lá hướng lên trên ($y$-axis alignment).
  • Giao thức phân đoạn tương tác (Interactive Segmentation): Người dùng đánh dấu vùng tiền cảnh (foreground) và hậu cảnh (background) tối thiểu thông qua giao diện chạm trên thiết bị di động, thuật toán Watershed phát triển đường biên chính xác.
  • Quy trình dung hợp RHF:
    1. Với mỗi loài $C$, định nghĩa mẫu dương (positive samples) là véc-tơ điểm tin cậy khi cả hai ảnh thuộc cùng loài $C$; mẫu âm (negative samples) là véc-tơ khi ít nhất một trong hai ảnh thuộc loài khác.
    2. Áp dụng quy tắc nhân (Product rule) để lọc thô tập ứng viên tiềm năng.
    3. Huấn luyện bộ phân loại nhị phân SVM cho từng loài trên không gian điểm số để xác định xác suất dương cuối cùng: $$c^* = \arg\max_{c \in C} P(y_c = 1 \mid s(I_1), s(I_2))$$

Data và phân tích

Nghiên cứu sử dụng và đối sánh trên các bộ dữ liệu quy mô lớn:

  • Flavia Dataset: 32 loài thực vật, 1.907 ảnh lá trên nền trơn.
  • ImageCLEF 2013 Dataset: 126 loài thực vật, bao gồm ảnh chụp lá nền đơn giản (leafscan) và nền phức tạp ngoài tự nhiên.
  • LifeCLEF 2015 / 2017 Dataset: Hơn 1,8 triệu ảnh của 10.000 loài thực vật, bao gồm 6 cơ quan: Leaf, Flower, Fruit, Stem, Branch, Entire.
  • VnDataset / VnMed Dataset: 596 loài cây dược liệu Việt Nam thu thập từ thực địa và crowdsourcing (bao gồm bộ dữ liệu 100 loài trên 6 cơ quan và 50 loài chọn lọc thử nghiệm dung hợp).
  • Hạ tầng tính toán và công cụ: Triển khai trên GPU NVIDIA, môi trường OpenCV, framework Caffe/PyTorch, ngôn ngữ Python/C++, các thuật toán máy học tuyến tính và phi tuyến (Linear SVM, SVM-RBF, Decision Trees, Random Forest).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của KDES thích nghi trên ảnh nền phức tạp: Phương pháp đề xuất (Adaptive KDES + Interactive Segmentation) đạt độ chính xác 97,19% trên tập Flavia và vượt qua tất cả các phương pháp đặc trưng thủ công tham gia ImageCLEF 2013 trên tập ảnh lá nền phức tạp.
  2. Ưu thế tuyệt đối của mô hình dung hợp RHF: Khi kết hợp từng cặp cơ quan (Lá + Hoa, Lá + Quả, Hoa + Thân), RHF đạt độ chính xác Rank-1 và Rank-5 cao hơn rõ rệt so với các quy tắc dung hợp truyền thống (Sum rule, Max rule, Average) và vượt trội mô hình học sâu tích hợp MCDCNN (Lee et al., 2015).
  3. Mối tương quan giữa cấu trúc mạng và chỉ số Rank-k: Với mạng ResNet-50 kết hợp RHF, chỉ số $k$ để đạt độ chính xác 99% ($Acc_{rank\text{ }k} \ge 99%$) giảm xuống chỉ còn $k=3$ đến $k=5$, trong khi với đơn cơ quan đòi hỏi $k > 15$.
  4. Hiện tượng suy giảm độ chính xác theo quy mô lớp: Thực nghiệm chỉ ra khi số lượng loài tăng từ 50 lên 1.000 loài, độ chính xác đơn cơ quan của các bộ phân loại giảm mạnh do hiện tượng trùng lặp đặc trưng thị giác (visual ambiguity); tuy nhiên, sự kết hợp đa cơ quan qua RHF duy trì độ suy giảm thấp hơn 40% so với đơn cơ quan.
Phương Pháp / Cấu Hình Tập Dữ Liệu Cơ Quan Acc Rank-1 (%) Acc Rank-5 (%)
Hand-crafted (Bo et al. Baseline) Flavia (32 loài) Leaf 92.40 97.10
Adaptive KDES + SVM (Luận án) Flavia (32 loài) Leaf 97.19 99.50
Single CNN (AlexNet) 50 loài (Đa cơ quan) Leaf 54.20 76.80
Single CNN (AlexNet) 50 loài (Đa cơ quan) Flower 68.40 85.60
Early Fusion MCDCNN (Lee et al.) 50 loài (Đa cơ quan) Leaf + Flower 74.30 89.20
Robust Hybrid Fusion - AlexNet (Luận án) 50 loài (Đa cơ quan) Leaf + Flower 79.60 93.40
Robust Hybrid Fusion - ResNet (Luận án) 50 loài (Đa cơ quan) Leaf + Flower 88.20 97.80 
                       SO SÁNH ĐỘ CHÍNH XÁC NHẬN DẠNG TRÊN TẬP 50 LOÀI
  100 ───────────────────────────────────────────────────────────────────────────
   90 ─────────────────────────────────────────────────────────── 88.2% ─────────
   80 ───────────────────────────────────────────── 79.6% ───────────────────────
   70 ────────────────────────────── 74.3% ──────────────────────────────────────
   60 ────────────── 68.4% ──────────────────────────────────────────────────────
   50 ── 54.2% ──────────────────────────────────────────────────────────────────
   40 ───────────────────────────────────────────────────────────────────────────
   30 ───────────────────────────────────────────────────────────────────────────
   20 ───────────────────────────────────────────────────────────────────────────
   10 ───────────────────────────────────────────────────────────────────────────
    0 ───────────────────────────────────────────────────────────────────────────
        AlexNet       AlexNet        MCDCNN          RHF           RHF
        (Leaf)       (Flower)     (Early Fusion)  (AlexNet)     (ResNet-50)

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp bằng chứng thực nghiệm vững chắc chứng minh rằng thông tin ngữ nghĩa từ các cơ quan khác nhau mang tính trực giao (orthogonal complementary information), đòi hỏi cơ chế phân tách lề mềm phi tuyến thay vì phép cộng gộp xác suất tuyến tính.
  • Về phương pháp luận: Thiết lập quy trình tiền xử lý tương tác chuẩn hóa cho các bài toán thị giác máy tính trong nông - lâm nghiệp, nơi nhiễu nền tự nhiên là thách thức cố hữu.
  • Về ứng dụng thực tiễn: Tạo động lực trực tiếp cho việc triển khai các hệ thống tra cứu di động trong điều kiện mạng yếu hoặc ngoại tuyến thông qua việc tối ưu hóa khối lượng tính toán.

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Phụ thuộc tương tác người dùng: Kỹ thuật Interactive Segmentation trong Chương 2 vẫn đòi hỏi thao tác cung cấp markers từ người dùng; một số trường hợp lá bị sâu cắn rách, biến dạng nghiêm trọng hoặc phân đoạn biên không chính xác dẫn đến độ chính xác 0% ở một số lớp cụ thể (ví dụ: loài Mespilus germanica trong ImageCLEF 2013).
  2. Giới hạn số lượng cơ quan đồng thời trong RHF: Kiến trúc dung hợp hiện tại được thiết kế và kiểm chứng chi tiết trên cặp 2 cơ quan; việc mở rộng cho trường hợp đồng thời 3 đến 6 cơ quan đòi hỏi cấu trúc phân lớp phức tạp hơn để xử lý thiếu dữ liệu (missing modalities).
  3. Mất cân bằng dữ liệu tự nhiên (Data imbalance): Phân bố dữ liệu thu thập qua crowdsourcing có đuôi dài (long-tail distribution); các loài quý hiếm có quá ít mẫu huấn luyện so với các loài phổ thông.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Tích hợp các kiến trúc phân đoạn tự động hoàn toàn không cần tương tác (như Mask R-CNN, Transformer-based Segmentation) được tối ưu hóa cho phần cứng di động.
  • Mở rộng mô hình RHF thành mô hình dung hợp thích nghi tổng quát $N$-cơ quan với khả năng tự động xử lý khi thiếu cơ quan quan sát.
  • Ứng dụng các kỹ thuật cân bằng dữ liệu tiên tiến (Few-shot learning, Self-supervised learning) cho hệ thống thực vật bản địa quý hiếm.

Tác động và ảnh hưởng

  • Tác động học thuật: Các công bố khoa học từ luận án trên các tạp chí và hội nghị uy tín (thuộc hệ thống IEEE, Springer, ACM) đã đóng góp dữ liệu và giải pháp chuẩn cho cộng đồng nghiên cứu nhận dạng đa phương thức và xử lý ảnh thực vật quốc tế.
  • Chuyển đổi công nghệ lâm nghiệp và dược liệu: Ứng dụng VnMed được thử nghiệm thành công, cho phép các cán bộ kiểm lâm, nhà nghiên cứu dược liệu và người dân dễ dàng tra cứu, nhận dạng nhanh các loài thực vật dược liệu của Việt Nam ngoài hiện trường.
  • Bảo tồn tài nguyên quốc gia: Đóng góp trực tiếp vào mục tiêu số hóa ngân hàng gen thực vật và hỗ trợ giám sát đa dạng sinh học trong các vườn quốc gia và khu bảo tồn thiên nhiên.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Thị giác Máy tính: Tiếp cận mô hình dung hợp RHF và giải pháp thích nghi hạt nhân KDES để giải quyết các bài toán nhận dạng đa cơ quan, đa phương thức tương tự.
  • Chuyên gia Thực vật học & Dược học: Rút ngắn thời gian định danh mẫu vật từ hàng giờ xuống vài giây với độ tin cậy tương đương chuyên gia thực địa.
  • Cơ quan Quản lý Lâm nghiệp & Vườn Quốc gia: Sử dụng công cụ số để kiểm soát thực vật ngoại lai, bảo vệ thực vật quý hiếm nằm trong Sách Đỏ.
  • Cộng đồng đại chúng & Doanh nghiệp Dược: Tiếp cận kho tri thức y học cổ truyền và dược liệu chuẩn xác thông qua ứng dụng VnMed trên thiết bị di động.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là mô hình Robust Hybrid Fusion (RHF). RHF mở rộng lý thuyết kết hợp bộ phân loại (Classifier Ensemble Theory của Kittler) bằng cách kết hợp quy tắc nhân (Product rule) với cơ chế phân loại thống kê mềm (Soft-margin SVM). Thay vì giả định độc lập có điều kiện nghiêm ngặt hoặc gán trọng số trực giác, RHF biến không gian điểm số xác suất từ các mạng nơ-ron đơn cơ quan thành một không gian véc-tơ đặc trưng mới, cho phép tìm siêu phẳng tối ưu phân tách sự tương quan phi tuyến giữa các cơ quan.

2. Cải tiến phương pháp luận so với các nghiên cứu quốc tế tiêu biểu?

So với Leafsnap (Kumar et al., 2012) chỉ hoạt động trên ảnh lá nền trơn màu trắng, phương pháp của luận án xử lý thành công ảnh lá nền phức tạp nhờ cơ chế Interactive Segmentation và Adaptive KDES. So với mạng học sâu dung hợp sớm MCDCNN (Lee et al., 2015), RHF tránh được hiện tượng bùng nổ số chiều đặc trưng và đạt độ chính xác Rank-1 cao hơn 5,3% trên cùng tập dữ liệu chuẩn 50 loài.

3. Phát hiện bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?

Phát hiện bất ngờ nhất là việc huấn luyện các mạng CNN sâu riêng biệt cho từng cơ quan (Scheme 1: A CNN for each organ) kết hợp qua bộ dung hợp RHF đem lại độ chính xác tổng thể cao hơn đáng kể so với việc gộp tất cả các cơ quan vào huấn luyện chung một mạng CNN duy nhất (Scheme 2: A CNN for all organs). Cụ thể, trên tập dữ liệu 50 loài, Scheme 1 kết hợp RHF đạt độ chính xác Rank-1 là 88,20%, vượt trội mức 81,40% của Scheme 2.

                           HIỆU NĂNG HAI CHIẾN LƯỢC HUẤN LUYỆN
  100 ───────────────────────────────────────────────────────────────────────────
   90 ─────────────────────────────────────────────────────────── 88.2% ─────────
   80 ───────────────────────────────────────────── 81.4% ───────────────────────
   70 ───────────────────────────────────────────────────────────────────────────
   60 ───────────────────────────────────────────────────────────────────────────
   50 ───────────────────────────────────────────────────────────────────────────
   40 ───────────────────────────────────────────────────────────────────────────
   30 ───────────────────────────────────────────────────────────────────────────
   20 ───────────────────────────────────────────────────────────────────────────
   10 ───────────────────────────────────────────────────────────────────────────
    0 ───────────────────────────────────────────────────────────────────────────
                      Scheme 2 (Một CNN chung)        Scheme 1 (CNN riêng + RHF)

4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp đầy đủ?

Luận án cung cấp chi tiết toàn bộ tham số trích xuất KDES (bán kính hạt nhân vị trí, số chiều gradient), cấu trúc tầng phân giải không gian kim tự tháp (Hand Pyramid), siêu tham số huấn luyện CNN (learning rate, batch size, optimizer SGD, weight decay) và phương pháp xác thực chéo (cross-validation) trên các tập dữ liệu công khai ImageCLEF, Flavia và LifeCLEF.

5. Định hướng lộ trình nghiên cứu trong 10 năm tới?

Lộ trình 10 năm định hướng chuyển đổi hệ thống nhận dạng sang kiến trúc Vision-Language Multimodal Models (VLM), kết hợp hình ảnh đa cơ quan với tri thức văn bản thực vật học; phát triển mô hình Edge AI có khả năng tự động phân đoạn và nhận dạng thời gian thực trên kính thông minh hoặc thiết bị bay không người lái (UAV) phục vụ kiểm kê rừng tự động.

Kết luận

Luận án của NCS. Nguyễn Thị Thanh Nhàn đã hoàn thành xuất sắc các mục tiêu đề ra với các kết quả cụ thể:

  1. Phát triển thành công phương pháp nhận dạng lá cây trên nền phức tạp kết hợp phân đoạn tương tác và mô tả hạt nhân thích nghi (Adaptive KDES), đạt độ chính xác 97,19%.
  2. Đề xuất lược đồ dung hợp đột phá Robust Hybrid Fusion (RHF) giải quyết triệt để sự nhập nhằng đặc trưng trong nhận dạng thực vật đa cơ quan, vượt trội các chuẩn so sánh quốc tế.
  3. Xây dựng mô hình phát hiện cơ quan thực vật tự động dựa trên mạng GoogLeNet nhằm sàng lọc và phân loại ảnh tiền xử lý.
  4. Triển khai hoàn chỉnh ứng dụng thực tế VnMed phục vụ tra cứu 596 loài cây dược liệu Việt Nam.
  5. Mở ra hướng nghiên cứu kết hợp giữa học máy thống kê và học sâu đa phương thức trong bảo tồn đa dạng sinh học.
  6. Đóng góp sản phẩm khoa học có giá trị thực tiễn cao, phục vụ hiệu quả cho chiến lược chuyển đổi số lâm nghiệp và y dược học cổ truyền Việt Nam.