Tổng quan về luận án

Sự bùng nổ của dữ liệu đa phương tiện trong kỷ nguyên số đặt ra yêu cầu cấp thiết về các hệ thống quản lý, lập chỉ mục và truy vấn hình ảnh hiệu quả. Nghiên cứu tiến sĩ của tác giả Lê Thị Vĩnh Thanh (2023) với đề tài "Kết hợp cấu trúc R-Tree với đồ thị tri thức cho mô hình tìm kiếm ảnh" (Chuyên ngành Khoa học máy tính, Mã số: 9480101, Đại học Huế; dưới sự hướng dẫn khoa học của PGS. Lê Mạnh Thạnh và TS. Văn Thế Thành) đã phát triển một giải pháp tích hợp tiên phong giữa cấu trúc chỉ mục không gian hình học đa chiều và mạng lưới tri thức ngữ nghĩa.

Khoảng trống nghiên cứu (research gap) cốt lõi được luận án giải quyết xuất phát từ hai điểm nghẽn lớn trong lĩnh vực thị giác máy tính và truy vấn thông tin:

  1. Khoảng cách ngữ nghĩa (Semantic Gap): Như trích dẫn trực tiếp từ luận án: "Hệ thống CBIR hỗ trợ người dùng tìm kiếm tập các ảnh tương tự nhau về nội dung dựa trên các đặc trưng cấp thấp nhưng các hình ảnh kết quả có thể khác nhau về ngữ nghĩa. Đây chính là khoảng cách giữa ngữ nghĩa cấp cao và các đặc trưng thị giác cấp thấp của hình ảnh, việc thu hẹp khoảng cách này là một trong những thách thức lớn trong các hệ tìm kiếm ảnh dựa trên nội dung" (Eakins, 2002; Smeulders et al., 2000).
  2. Chi phí tính toán và chồng lấp không gian đa chiều: Cấu trúc R-Tree nguyên thủy (Guttman, 1984) và các biến thể như R*-Tree (Beckmann et al., 1990), SS-Tree (White & Jain, 1996), SR-Tree (Katayama & Satoh, 1997) gặp phải sự suy giảm hiệu năng nghiêm trọng khi dữ liệu có số chiều cao do hiện tượng "lời nguyền số chiều" (curse of dimensionality), chồng lấp vùng không gian và chi phí tái cấu trúc cây tốn kém.

Luận án thiết lập 3 câu hỏi nghiên cứu và 3 giả thuyết tương ứng:

  • RQ1: Làm thế nào để tối ưu hóa việc phân hoạch và lưu trữ véc-tơ đặc trưng thị giác cấp thấp 242 chiều nhằm giảm thiểu chi phí giãn nở không gian và tránh việc duyệt đa đường dẫn (multi-path traversal)?
    • H1: Mô hình khối cầu bao đóng tối thiểu MBS (Minimum Bounding Sphere) với tham số tịnh tiến tâm $k \ge 2$ và thuật toán tách nút dựa trên độ lệch sai biệt sẽ giảm đáng kể độ chồng lấp không gian và duy trì tính cân bằng của cây đa nhánh.
  • RQ2: Làm thế nào để kết hợp quan hệ láng giềng cục bộ vào cấu trúc cây nhằm cải thiện độ chính xác và độ phủ của các truy vấn vùng lân cận?
    • H2: Tích hợp đồ thị cụm láng giềng trên các nút lá (cấu trúc NBGraphRST) cho phép thu hẹp không gian tìm kiếm và tăng cường độ bao phủ liên kết giữa các cụm tương đồng.
  • RQ3: Làm thế nào để kết nối các đặc trưng hình ảnh với tri thức ngữ nghĩa có cấu trúc nhằm giải quyết triệt để bài toán truy vấn ở cấp độ trừu tượng cao?
    • H3: Tích hợp mạng Faster R-CNN với khung biểu diễn ontology OWL/RDF trên nền tảng Visual Genome và câu lệnh truy vấn SPARQL (hệ thống SBIR_GraphRSTKG) sẽ gia tăng vượt bậc độ chính xác trung bình (MAP) so với các hệ thống CBIR thuần túy.

Khung lý thuyết của công trình tích hợp mô hình phân cấp 3 cấp độ truy vấn của Eakins (2002), lý thuyết biểu diễn không gian phân vùng (Guttman, 1984), kiến trúc Web ngữ nghĩa (Berners-Lee, 2001) và lý thuyết đồ thị ngữ cảnh (Johnson et al., 2015). Phạm vi thực nghiệm của nghiên cứu bao quát 6 bộ dữ liệu chuẩn quốc tế với 239.310 hình ảnh, spanning từ các tập đơn đối tượng (COREL 1.000 ảnh, Oxford Flowers 17 với 1.360 ảnh, Oxford Flowers 102 với 8.198 ảnh, CUB-2011-200 với 11.778 ảnh) đến các tập đa đối tượng quy mô lớn (Visual Genome 108.077 ảnh và MS-COCO 118.287 ảnh).

Literature Review và Positioning

Lịch sử phát triển của các hệ thống truy vấn hình ảnh chứng kiến sự phân tách rõ rệt giữa hai trường phái: tiếp cận dựa trên văn bản/từ khóa (TBIR - Text-Based Image Retrieval) và tiếp cận dựa trên nội dung thị giác (CBIR - Content-Based Image Retrieval). Trường phái TBIR (Lu et al., 2007) bộc lộ nhược điểm cố hữu do phụ thuộc vào quá trình gán nhãn thủ công tốn kém tài nguyên và mang nặng tính chủ quan của người mô tả. Ngược lại, trường phái CBIR trích xuất trực tiếp các đặc trưng thị giác cấp thấp như màu sắc, kết cấu, hình dạng và vị trí không gian (Smeulders et al., 2000; Datta et al., 2008).

Trong mảng cấu trúc lập chỉ mục không gian đa chiều, các công trình kinh điển đã hình thành nên những nhánh phát triển then chốt:

  • Guttman (1984) đề xuất R-Tree sử dụng hình chữ nhật bao đóng tối thiểu MBR (Minimum Bounding Rectangle). Tuy nhiên, cấu trúc này dẫn đến sự chồng lấp diện tích lớn giữa các MBR ở không gian chiều cao, buộc hệ thống phải duyệt nhiều đường dẫn từ gốc đến lá làm giảm tốc độ truy vấn.
  • Sellis et al. (1987) đưa ra R+-Tree nhằm triệt tiêu hoàn toàn sự chồng lấp bằng cách chia nhỏ các đối tượng giao nhau, song lại làm tăng kích thước bộ nhớ và độ phức tạp khi chèn/xóa.
  • Beckmann et al. (1990) hoàn thiện R*-Tree thông qua cơ chế tối ưu hóa heuristic kết hợp phép chèn lại (forced re-insertion), nhưng thao tác tái tổ chức cây khi gặp nút tràn đòi hỏi chi phí tính toán rất cao.
  • White & Jain (1996) giới thiệu SS-Tree thay thế MBR bằng khối cầu MBS (Minimum Bounding Sphere), tối ưu cho tìm kiếm $k$ láng giềng gần nhất ($k$-NN) nhưng lại hạn chế đối với các truy vấn vùng không gian rộng.
  • Katayama & Satoh (1997) kết hợp cả MBR và MBS trong SR-Tree để khắc phục nhược điểm của từng cấu trúc. Tuy nhiên, luận án đã chỉ ra một hạn chế chí mạng: "Trong cấu trúc cây SR-tree khi chèn phần tử cần cập nhật cả hình cầu và hình chữ nhật dẫn đến việc tạo và cập nhật tương đối phức tạp và tốn kém chi phí tính toán về việc sắp xếp và giãn nở vùng không gian".

Song song với hướng tiếp cận hình học, hướng tiếp cận ngữ nghĩa có sự đột phá với khái niệm đồ thị ngữ cảnh (Scene Graph) được Johnson et al. (2015) đề xuất trên tập dữ liệu Visual Genome, sử dụng mô hình trường ngẫu nhiên có điều kiện (CRF) để suy luận ngữ nghĩa. Tiếp đó, các nghiên cứu quốc tế như mạng tích chập đồ thị GCN (Schroeder et al., 2020), biểu diễn nhị phân đồ thị đa phương thức (Zhang et al., 2019) hay mạng mối quan hệ tập trung ARN (Shi et al., 2019) đã chứng minh sức mạnh của biểu diễn cấu trúc đối tượng - thuộc tính - quan hệ.

So sánh với hai nghiên cứu quốc tế điển hình gần đây:

  1. Nghiên cứu của Haldurai et al. (2015): Ứng dụng cấu trúc R-Tree trên không gian đặc trưng mờ hóa màu sắc và kết cấu, nhưng vẫn giữ nguyên cơ chế MBR truyền thống, dẫn đến tốc độ truy vấn suy giảm nhanh khi tập dữ liệu mở rộng.
  2. Nghiên cứu của Vanitha et al. (2017): Áp dụng SR-Tree trên bộ dữ liệu COREL, đạt kết quả khả quan về độ chính xác cục bộ nhưng kích thước mỗi nút quá lớn do phải lưu đồng thời cả tâm, bán kính hình cầu và tọa độ biên hình chữ nhật, gây nghẽn bộ nhớ khi mở rộng sang dữ liệu đa đối tượng phức tạp.

Luận án của Lê Thị Vĩnh Thanh đã định vị chính xác khoảng trống học thuật: Chưa có công trình nào tích hợp một cấu trúc cây khối cầu tối ưu (RS-Tree/NBGraphRST) làm bộ lọc hình học phân vùng cấp thấp với một Đồ thị tri thức (Knowledge Graph) chuẩn hóa ngôn ngữ Web ngữ nghĩa (OWL/RDF/SPARQL) để thực hiện quy trình truy vấn hai giai đoạn hoàn chỉnh, vừa đảm bảo tốc độ lập chỉ mục ở cấp độ mili-giây, vừa giải quyết trọn vẹn sự sai lệch ngữ nghĩa cấp cao.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng trong việc mở rộng các lý thuyết nền tảng về cấu trúc dữ liệu không gian và biểu diễn tri thức:

  • Tối ưu hóa lý thuyết phân hoạch không gian hình học đa chiều (MBS Transformation): Mở rộng lý thuyết cây SS-Tree của White & Jain (1996) bằng cách định nghĩa lại công thức tính tâm và bán kính thực thể dựa trên tham số co giãn $k$ ($k \ge 2$). Việc đưa ra cơ chế dịch chuyển tâm theo phương của véc-tơ đặc trưng đối tượng giúp giảm thể tích siêu cầu bao đóng, giải quyết triệt để nhược điểm tốn không gian trống của mô hình MBR truyền thống.
  • Lý thuyết phân cụm cân bằng dựa trên độ lệch sai biệt (Variance Deviation Splitting): Đề xuất giải thuật phân tách nút mới không phụ thuộc vào cơ chế chèn lại tốn kém của R*-Tree. Giải thuật dựa trên độ lệch sai biệt khoảng cách của các phần tử đối với hai tâm cụm mới, đảm bảo cây luôn đạt trạng thái cân bằng động đa nhánh và giảm thiểu tối đa vùng không gian giao thoa giữa các nhánh con.
  • Mô hình hóa tri thức ngữ nghĩa thị giác (Visual Semantic Epistemology): Tích hợp lý thuyết đồ thị ngữ cảnh (Johnson et al., 2015) vào kiến trúc Web ngữ nghĩa (Berners-Lee, 2001), thiết lập các bộ ba (triples) định danh tường minh cho các thực thể lớp, cá thể ảnh, cá thể đối tượng và mối quan hệ không gian/hành vi giữa chúng trong cơ sở tri thức OWL/RDF.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp hài hòa giữa cấu trúc hình học đa chiều và mô hình suy luận logic vị từ, bao gồm các thành phần cốt lõi:

[Ảnh đầu vào / Query Image]
        │
        ├──> [Trích xuất đặc trưng đa diện (242 chiều)] ──> [Chỉ mục RS-Tree / NBGraphRST] ──> [Tập ứng viên sơ bộ (Candidates)]
        │                                                                                             │
        └──> [Nhận dạng đối tượng Faster R-CNN] ──> [Sinh Scene Graph] ──> [Truy vấn SPARQL trên KG] ─┴──> [Kết quả xếp hạng chính xác cao]
  1. Véc-tơ đặc trưng tích hợp 242 chiều:
    • Đặc trưng màu sắc MPEG-7: 25 chiều.
    • Đặc trưng vị trí Shi-Tomasi MPEG-7: 25 chiều.
    • Đặc trưng vị trí và kết cấu MaxPooling Sobel: 48 chiều.
    • Đặc trưng hình dạng và kết cấu Sobel HOG: 144 chiều.
  2. Cấu trúc cây siêu cầu RS-Tree (Region Sphere Tree):
    • Nút trong ($S_N$): Bộ $\langle MBS, p \rangle$ chứa tâm $c_n$, bán kính $r_n$ và con trỏ $p$. Tâm $c_n$ được tính bình quân có trọng số theo số lượng phần tử của từng nhánh con $S_j.w$: $$\vec{c}n = \frac{\sum{j=1}^k S_j.w \cdot \vec{c}j}{\sum{j=1}^k S_j.w}$$
    • Nút lá ($S_L$): Bộ $\langle MBS, entity \rangle$ với tâm $\vec{c}L = \frac{1}{k}\sum{i=1}^k sp_i.\vec{c}i$ và bán kính $r_L = \max{i=1..k}(d_E(\vec{c}_L, sp_i.\vec{c}_i) + sp_i.r_i)$.
    • Khối cầu thực thể ($sp_{ED}$): Xác định tâm $\vec{c}{sp} = (c{I1}, \dots, c_{Id})$ với $c_{Ij} = v_{Ij} - \frac{v_{Ij}}{k}$ ($k \ge 2$) và bán kính $r_{sp} = \sqrt{\sum_{j=1}^d (c_{Ij} - v_{Ij})^2}$.
  3. Cấu trúc đồ thị cụm láng giềng NBGraphRST: Xây dựng đồ thị liên kết giữa các nút lá có vùng không gian chồng lấp hoặc khoảng cách tiệm cận dựa trên ngưỡng $\theta$, biến cấu trúc cây phân cấp tĩnh thành mạng lưới láng giềng linh hoạt, loại bỏ nguy cơ bỏ sót các điểm dữ liệu biên.
  4. Đồ thị tri thức Knowledge Graph và Ngôn ngữ truy vấn SPARQL: Mô hình hóa toàn bộ thực thể từ Visual Genome thành các lớp bản thể học OWL, cho phép truy vấn chính xác theo ngữ cảnh logic (ví dụ: tìm ảnh có "người đội mũ bảo hiểm đang lái xe máy trên đường").

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism Paradigm) kết hợp phương pháp nghiên cứu thực nghiệm định lượng nghiêm ngặt (Quantitative Experimental Design). Thiết kế nghiên cứu đa tầng được tổ chức qua ba pha liên hoàn:

  • Pha 1 (Lập mô hình toán học và chỉ mục không gian): Xây dựng cấu trúc RS-Tree và NBGraphRST trên không gian đặc trưng 242 chiều, kiểm soát các điều kiện biên về tham số co giãn bán kính $k$, dung lượng nút tối thiểu $m$ ($1 < m \le M/2$) và tối đa $M$.
  • Pha 2 (Khai phá tri thức ngữ nghĩa và Ontology hóa): Sử dụng mạng nơ-ron học sâu Faster R-CNN trích xuất vùng đối tượng, kết hợp đồ thị ngữ cảnh Scene Graph để xây dựng cơ sở tri thức OWL/RDF trên tập dữ liệu chuẩn Visual Genome.
  • Pha 3 (Tích hợp và đánh giá hiệu năng): Thiết lập hệ thống truy vấn lai SBIR_GraphRSTKG, thực hiện đối chuẩn chéo (cross-benchmark) với các mô hình kinh điển và hiện đại trên 6 bộ dữ liệu chuẩn.

Quy trình nghiên cứu rigorous

Quy trình thu thập, xử lý và kiểm định dữ liệu được chuẩn hóa cao độ:

  • Chuẩn hóa dữ liệu đặc trưng: Toàn bộ véc-tơ 242 chiều sau khi trích xuất được chuẩn hóa Min-Max về đoạn không gian Euclid đơn vị $[0, 1]$, đảm bảo khoảng cách tính toán không bị thiên lệch bởi các đặc trưng có thang đo lớn.
  • Giao thức đo độ tương đồng: Sử dụng khoảng cách Euclid chuẩn hóa: $$D_{Eu}(I, J) = \sqrt{\sum_{i=1}^m (v_{Ii} - v_{Ji})^2}$$
  • Kiểm soát độ tin cậy và tính hợp lệ: Độ chính xác được đánh giá đa chiều thông qua bộ 4 chỉ số tiêu chuẩn quốc tế: Độ chính xác (Precision), Độ phủ (Recall), Độ đo dung hòa (F-measure) và Độ chính xác trung bình (Mean Average Precision - MAP): $$\text{Precision} = \frac{|\text{Ảnh liên quan} \cap \text{Ảnh tìm thấy}|}{|\text{Ảnh tìm thấy}|}, \quad \text{Recall} = \frac{|\text{Ảnh liên quan} \cap \text{Ảnh tìm thấy}|}{|\text{Ảnh liên quan}|}$$ $$\text{F-measure} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}, \quad \text{MAP} = \frac{1}{n}\sum_{i=1}^n P_i$$
  • Đường cong đặc tính hiệu năng: Sử dụng đường cong PR (Precision-Recall curve) và đường cong ROC (Receiver Operating Characteristic) cùng diện tích dưới đường cong AUC (Area Under Curve) để kiểm định tính ổn định trên các tập dữ liệu mất cân bằng.

Data và phân tích

Toàn bộ 6 tập dữ liệu thực nghiệm được đặc tả chi tiết với các thông số thống kê chính xác:

  1. COREL: 1.000 ảnh, 10 lớp ngữ niệm (mỗi lớp chính xác 100 ảnh), kích thước lưu trữ 30,3 MB.
  2. Oxford Flowers 17 (OF17): 1.360 ảnh, 17 loài hoa (mỗi lớp 80 ảnh), dung lượng 60,5 MB.
  3. Oxford Flowers 102 (OF102): 8.198 ảnh (theo danh mục mở rộng đạt 8.788 ảnh), 102 loài hoa chi tiết, dung lượng 1,09 GB.
  4. CUB-2011-200: 11.778 ảnh, 200 loài chim chuyên biệt, gán nhãn chi tiết về đường bao và thuộc tính cục bộ.
  5. Visual Genome (VG): 108.077 ảnh, dung lượng 14,47 GB. Theo trích dẫn từ luận án: "Tập dữ liệu Visual Genome bao gồm 108.077 hình ảnh, trung bình 35 đối tượng, 50 vùng, 26 thuộc tính và 21 mối quan hệ giữa các cặp đối tượng trên mỗi hình ảnh".
  6. MS-COCO: 118.287 ảnh, 80 lớp đối tượng thực tế hàng ngày, dung lượng 17,9 GB.

Môi trường phần cứng và phần mềm triển khai:

  • Hệ thống phát triển: Ngôn ngữ lập trình C#, nền tảng .NET Framework 4.8. Phân tích thống kê và vẽ đồ thị ROC/PR trên Matlab 2015b.
  • Phần cứng tiền xử lý: PC CPU 2.3 GHz 8-core 9th-generation Intel Core i9, 16 GB DDR4 2666 MHz RAM, 1 TB SSD.
  • Phần cứng thử nghiệm truy vấn thời gian thực: PC CPU Intel Core i7-6500U @ 2.50 GHz, 2.0 GB RAM hữu dụng kiểm thử, Windows 10 Pro 64-bit.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của cấu trúc khối cầu RS-Tree so với R-Tree và SR-Tree:
    • Việc chuyển đổi từ MBR sang MBS kết hợp tham số co cụm $k \ge 2$ giúp giảm hơn 40% chi phí tính toán cập nhật vùng bao bọc khi chèn phần tử mới.
    • Không gian bộ nhớ lưu trữ của mỗi nút trong RS-Tree giảm một nửa so với SR-Tree (do loại bỏ việc lưu trữ tọa độ biên hình chữ nhật), giúp tăng số lượng phần tử trên mỗi trang đĩa và hạ thấp chiều cao tổng thể của cây.
  2. Độ chính xác truy vấn tăng tiến rõ rệt qua các cấu trúc cải tiến:
    • Trên tập ảnh COREL (1.000 ảnh), mô hình RS-Tree đơn lẻ (CBIR-RST) đạt độ chính xác trung bình vượt trội so với các công trình dùng R-Tree truyền thống của Haldurai et al. (2015) và R*-Tree của Shama et al. (2015).
    • Khi nâng cấp lên cấu trúc đồ thị láng giềng CBIR_NBGraphRST, độ chính xác (Precision) và độ phủ (Recall) tiếp tục tăng từ 3,5% đến 6,8% trên tất cả các tập dữ liệu đơn đối tượng (OF17, OF102, CUB-2011-200), do giải quyết triệt để vấn đề phân mảnh dữ liệu ở biên các cụm lân cận.
  3. Đột phá thu hẹp khoảng cách ngữ nghĩa với mô hình SBIR_GraphRSTKG:
    • Trên các bộ dữ liệu phức tạp đa đối tượng (MS-COCO và Visual Genome), mô hình tích hợp RS-Tree và Đồ thị tri thức đạt diện tích dưới đường cong AUC-ROC tiệm cận mức tối ưu, vượt qua các phương pháp trích xuất đặc trưng thuần túy của Ahmed et al. (2019) và Kumar et al. (2020).
    • Truy vấn SPARQL cho phép lọc chính xác các quan hệ ngữ cảnh không gian phức tạp mà không một bộ mô tả đặc trưng cấp thấp đơn lẻ nào có thể phản ánh được.
  4. Tính ổn định của thời gian truy vấn dưới tải dữ liệu lớn:
    • Thời gian tìm kiếm trung bình trên mỗi ảnh truy vấn duy trì ở mức mili-giây trên máy tính cấu hình văn phòng (Intel Core i7-6500U), khẳng định tính khả thi của giải thuật trong các ứng dụng thời gian thực.

Implications đa chiều

  • Về mặt lý thuyết: Đặt nền móng cho mô hình lai ghép (Hybrid Semantic-Spatial Indexing Paradigm), chứng minh rằng việc kết hợp biểu diễn không gian liên tục (véc-tơ đa chiều) và biểu diễn biểu tượng rời rạc (đồ thị tri thức bản thể học) là con đường tối ưu để giải quyết triệt để bài toán "Semantic Gap".
  • Về mặt phương pháp luận: Cung cấp một quy trình mẫu mực về việc trích xuất và tích hợp đặc trưng đa tầng (242 chiều từ MPEG-7, Shi-Tomasi, MaxPooling Sobel, Sobel HOG) kết hợp mạng học sâu phát hiện đối tượng Faster R-CNN, có khả năng chuyển giao áp dụng cho các dạng dữ liệu đa phương tiện khác như video và mô hình 3D.
  • Về mặt thực tiễn ứng dụng:
    • Hệ thống an ninh và điều tra hình sự: Nhận dạng đối tượng và phương tiện dựa trên mô tả ngữ cảnh không gian phức tạp.
    • Thương mại điện tử: Tìm kiếm sản phẩm thông minh qua hình ảnh kết hợp lọc thuộc tính ngữ nghĩa chi tiết.
    • Y tế thông minh: Quản lý và truy vấn hồ sơ bệnh án hình ảnh (X-quang, MRI, CT) theo cả tổn thương thị giác và mối quan hệ bệnh lý giải phẫu học.
  • Khuyến nghị chính sách công nghệ: Các cơ quan quản lý và doanh nghiệp số hóa cần chuẩn hóa việc lưu trữ siêu dữ liệu hình ảnh dưới dạng Linked Open Data (LOD) và Resource Description Framework (RDF) để sẵn sàng tích hợp vào các đồ thị tri thức quốc gia.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn kỹ thuật cần tiếp tục hoàn thiện:

  1. Chi phí thời gian xây dựng đồ thị tri thức ban đầu: Việc trích xuất ngữ cảnh và tạo bộ ba RDF từ tập dữ liệu khổng lồ Visual Genome (108.077 ảnh) đòi hỏi năng lực tính toán phần cứng lớn ở pha tiền xử lý.
  2. Sự phụ thuộc vào độ chính xác của bộ phát hiện đối tượng: Hiệu năng của đồ thị ngữ cảnh chịu ảnh hưởng trực tiếp từ tỷ lệ nhận dạng chính xác của mô hình Faster R-CNN; việc nhận dạng sai nhãn đối tượng có thể dẫn đến sai lệch quan hệ trong đồ thị tri thức.
  3. Tính động của cây chỉ mục: Cấu trúc RS-Tree hiện tại được tối ưu hóa xuất sắc cho các tác vụ lập chỉ mục tĩnh và truy vấn; thao tác xóa phần tử hàng loạt (batch deletion) và cân bằng động liên tục khi có luồng dữ liệu thời gian thực (data streaming) cần được tối ưu sâu hơn.

Chương trình nghiên cứu 5-10 năm tiếp theo:

  • Tích hợp mạng tích chập đồ thị tri thức đa phương thức (Multimodal Knowledge Graph Convolutional Networks) để tự động học biểu diễn nhúng (embedding) cho cả cấu trúc RS-Tree và Knowledge Graph.
  • Mở rộng mô hình sang bài toán truy vấn video ngữ cảnh động (Dynamic Video Scene Graph Retrieval).
  • Áp dụng các mô hình ngôn ngữ lớn thị giác (Vision-Language Models như CLIP, Flamingo) để tự động sinh ontology mà không cần bước trung gian Faster R-CNN thủ công.

Tác động và ảnh hưởng

  • Tác động học thuật: Đóng góp 2 bài báo trên các tạp chí và hội nghị chuyên ngành uy tín thuộc danh mục Scopus/tiêu chuẩn ngành Công nghệ thông tin. Cung cấp một khung tham chiếu chuẩn về cấu trúc chỉ mục khối cầu cho cộng đồng nghiên cứu CBIR tại Việt Nam và quốc tế.
  • Chuyển đổi công nghiệp số: Giải pháp cung cấp kiến trúc nền tảng cho việc xây dựng các công cụ tìm kiếm nội bộ (Enterprise Visual Search Engine) trong các lĩnh vực thương mại điện tử, lưu trữ bảo tàng số và hệ thống quản lý giao thông thông minh (ITS).
  • Lợi ích xã hội: Hỗ trợ việc số hóa di sản văn hóa, quản lý dữ liệu viễn thám tài nguyên môi trường và nâng cao độ chính xác trong chẩn đoán hình ảnh y khoa phục vụ cộng đồng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Tiếp cận mã nguồn mở thuật toán, phương pháp luận tích hợp cấu trúc dữ liệu không gian với Web ngữ nghĩa và khung thực nghiệm trên các tập dữ liệu chuẩn.
  • Giảng viên và nhà khoa học: Tài liệu tham khảo giá trị về cấu trúc R-Tree cải tiến, đồ thị tri thức OWL/RDF và kỹ thuật kết hợp đặc trưng đa diện.
  • Kỹ sư R&D công nghệ: Ứng dụng trực tiếp thuật toán RS-Tree và NBGraphRST bằng C#/.NET vào các sản phẩm thực tế đòi hỏi khả năng xử lý truy vấn dữ liệu lớn thời gian thực.
  • Cơ quan quản lý dữ liệu số: Khung kiến trúc mẫu mực để chuẩn hóa hệ thống lưu trữ dữ liệu đa phương tiện theo chuẩn Linked Data quốc tế.

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 độc đáo nhất là việc mở rộng lý thuyết chỉ mục khối cầu SS-Tree (White & Jain, 1996) thành cấu trúc RS-Tree với tham số co giãn tâm $k \ge 2$, kết hợp cơ chế phân cụm láng giềng NBGraphRST. Khác với SS-Tree thuần túy chỉ tìm kiếm $k$-NN, RS-Tree cho phép thực hiện đồng thời truy vấn vùng không gian và truy vấn láng giềng với thể tích bao bọc nhỏ hơn, triệt tiêu vùng không gian chết mà không phải chịu chi phí tính toán kép như mô hình SR-Tree (Katayama & Satoh, 1997).

2. Sự đổi mới về mặt phương pháp luận so với ít nhất 2 công trình quốc tế tiền nhiệm?

So với Haldurai et al. (2015) (dùng R-Tree truyền thống với MBR) và Vanitha et al. (2017) (dùng SR-Tree với giao MBR-MBS trên tập COREL), luận án đổi mới toàn diện ở 3 điểm: (1) Thay thế hoàn toàn MBR bằng MBS tối ưu hóa dịch chuyển tâm; (2) Thiết lập thuật toán tách nút dựa trên độ lệch sai biệt thay cho phép chèn lại tốn kém của R*-Tree; (3) Thiết kế cầu nối hai giai đoạn giữa cấu trúc chỉ mục hình học cấp thấp và Đồ thị tri thức OWL/RDF thông qua truy vấn SPARQL.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện nổi bật là việc tăng số chiều đặc trưng lên 242 chiều (kết hợp 4 loại bộ mô tả) không làm bùng nổ thời gian truy vấn trên RS-Tree như lý thuyết "lời nguyền số chiều" cảnh báo đối với R-Tree. Ngược lại, nhờ độ lệch sai biệt phân cụm chính xác, cây RS-Tree duy trì độ sâu ổn định và đạt độ chính xác MAP cao hơn hẳn so với việc chỉ dùng đơn lẻ các đặc trưng màu sắc hay kết cấu truyền thống.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Hoàn toàn đầy đủ. Luận án đặc tả chi tiết công thức toán học tính tâm/bán kính của 3 cấp nút (thực thể, lá, trong), công thức phân tách nút, danh mục tham số thực nghiệm, môi trường phần cứng máy tính (Intel Core i9 / Core i7-6500U), nền tảng phần mềm (.NET Framework 4.8, C#, Matlab 2015b) và cung cấp đường dẫn 6 tập dữ liệu công khai (COREL, OF17, OF102, CUB, VG, MS-COCO).

5. Kế hoạch nghiên cứu 10 năm tới được phác thảo ra sao?

Kế hoạch 10 năm tập trung vào việc tự động hóa toàn diện quy trình sinh đồ thị tri thức thông qua các mô hình nền tảng đa phương thức (Multimodal Foundation Models), phát triển cấu trúc RS-Tree phân tán trên nền tảng điện toán đám mây để phục vụ các luồng dữ liệu video quy mô hàng tỷ khung hình mỗi giây.

Kết luận

Công trình nghiên cứu tiến sĩ của tác giả Lê Thị Vĩnh Thanh đã giải quyết trọn vẹn và xuất sắc mục tiêu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Đề xuất cấu trúc chỉ mục siêu cầu RS-Tree tối ưu hóa việc lưu trữ véc-tơ đặc trưng thị giác 242 chiều, giảm thiểu chi phí tính toán cập nhật và loại bỏ hiện tượng duyệt đa đường dẫn.
  2. Phát triển thuật toán tách nút dựa trên độ lệch sai biệt, đảm bảo tính cân bằng tuyệt đối của cây đa nhánh mà không cần tái cấu trúc tốn kém.
  3. Sáng tạo cấu trúc đồ thị cụm láng giềng NBGraphRST, tăng cường độ phủ và độ chính xác của các truy vấn biên không gian.
  4. Xây dựng khung Đồ thị tri thức chuẩn hóa OWL/RDF từ 108.077 ảnh Visual Genome, giải quyết căn bản khoảng cách ngữ nghĩa giữa đặc trưng cấp thấp và nhận thức cấp cao.
  5. Thiết lập mô hình tìm kiếm tích hợp SBIR_GraphRSTKG, kiểm chứng thành công trên 6 bộ dữ liệu chuẩn quốc tế với 239.310 hình ảnh, mở ra hướng đi mới cho các hệ thống truy vấn đa phương tiện thông minh thế hệ tiếp theo.