Tổng quan về luận án

Luận án này tiên phong trong việc phát triển các mô hình tìm kiếm ảnh (Image Retrieval - IR) dựa trên cấu trúc dữ liệu đa chiều KD-Tree, nhằm giải quyết thách thức về khả năng lưu trữ, độ chính xác và thời gian tìm kiếm ổn định trong bối cảnh dữ liệu đa phương tiện kỹ thuật số bùng nổ. Nghiên cứu đặt trọng tâm vào việc nâng cao hiệu suất tìm kiếm ảnh theo nội dung (Content-Based Image Retrieval - CBIR) và đặc biệt là tìm kiếm ảnh theo ngữ nghĩa (Semantic-Based Image Retrieval - SBIR), vốn là những yêu cầu cấp thiết cho người dùng hiện đại [2], [3].

Research gap SPECIFIC với citations từ literature: Mặc dù đã có nhiều công trình nghiên cứu về tìm kiếm ảnh sử dụng các kỹ thuật học máy, cấu trúc cây và ontology, luận án chỉ ra các hạn chế then chốt: (1) Sự kết hợp nhiều kỹ thuật học máy trên mỗi công trình còn hạn chế; (2) Số công trình kết hợp một cấu trúc dữ liệu lưu trữ (như KD-Tree) và học máy còn giới hạn; (3) Sự kết hợp ontology với các kỹ thuật khác để thực hiện qua nhiều bộ lọc nhằm nâng cao độ chính xác tìm kiếm ảnh chưa thực hiện ở nhiều công trình. Cụ thể, các nghiên cứu trước đây như Erwin và cộng sự [7] chỉ tập trung vào phân loại và gom cụm hình ảnh trái cây, trong khi Shuang Jia và cộng sự [9] sử dụng K-Means với túi từ độc lập, chưa phân lớp theo nội dung. Các phương pháp dựa trên học sâu như R. Rani và cộng sự [10] hoặc Maria Tzelepi và cộng sự [11] đã cho thấy hiệu quả nhưng chưa khai thác sâu tiềm năng của cấu trúc cây đa chiều như KD-Tree để tối ưu hóa việc tổ chức và truy xuất dữ liệu. Ngay cả các công trình sử dụng KD-Tree như Wenfeng Hou và cộng sự [13] hay Parikshit Ram và cộng sự [14] vẫn còn những hạn chế về khả năng tăng trưởng số nhánh, sự cân bằng của cây và việc tích hợp các kỹ thuật học máy tiên tiến trực tiếp vào cấu trúc nút của cây. Đặc biệt, theo Botao Zhong và cộng sự [1], việc xác định mối quan hệ giữa các đối tượng trên hình ảnh còn đòi hỏi một khung ontology mở rộng để phân lớp ảnh và các thuộc tính liên quan, một khía cạnh mà luận án này phát triển sâu rộng hơn.

Research questions và hypotheses: Luận án hướng tới giải quyết các câu hỏi nghiên cứu chính sau:

  1. RQ1: Làm thế nào để cải tiến cấu trúc KD-Tree nguyên thủy thành cấu trúc đa nhánh cân bằng và các biến thể mới nhằm nâng cao hiệu suất lưu trữ và tìm kiếm ảnh theo nội dung?
  2. RQ2: Các phương pháp học máy có giám sát, bán giám sát và rừng ngẫu nhiên có thể được tích hợp vào cấu trúc KD-Tree như thế nào để cải thiện khả năng phân lớp và gom cụm hình ảnh?
  3. RQ3: Làm thế nào để phát triển một mô hình tìm kiếm ảnh theo tiếp cận ngữ nghĩa hiệu quả, kết hợp Ontology với các cấu trúc KD-Tree cải tiến để phân lớp mối quan hệ giữa các đối tượng và truy vấn ngữ nghĩa?
  4. RQ4: Các mô hình đề xuất mang lại độ chính xác và thời gian tìm kiếm tốt hơn như thế nào so với các phương pháp hiện có trên các bộ dữ liệu ảnh chuẩn và đa đối tượng?

Các giả thuyết chính của luận án bao gồm: H1: Việc xây dựng cấu trúc KD-Tree đa nhánh cân bằng (iKD_Tree, KD-Tree lồng nhau) sẽ giảm chiều cao cây và cải thiện thời gian tìm kiếm so với KD-Tree nhị phân truyền thống. H2: Tích hợp mạng Nơ-ron vào mỗi nút của cấu trúc KD-Tree (Re KD-Tree, RF KD-Tree) theo phương pháp học bán giám sát sẽ tăng cường khả năng phân lớp và gom cụm hình ảnh, dẫn đến độ chính xác tìm kiếm cao hơn. H3: Kết hợp Ontology với các cấu trúc KD-Tree cải tiến để phân lớp mối quan hệ ngữ nghĩa sẽ cho phép truy vấn ảnh đa đối tượng với độ chính xác cao hơn, đặc biệt khi sử dụng các truy vấn SPARQL dựa trên bộ ba mô tả. H4: Các mô hình tìm kiếm ảnh đề xuất, thông qua việc tối ưu hóa cấu trúc KD-Tree và tích hợp ngữ nghĩa, sẽ đạt được hiệu suất vượt trội về độ chính xác trung bình (MAP) và tốc độ so với các phương pháp tìm kiếm ảnh theo nội dung và ngữ nghĩa hiện có.

Theoretical framework với tên theories cụ thể: Luận án dựa trên các nền tảng lý thuyết chính bao gồm:

  • Lý thuyết cấu trúc dữ liệu đa chiều (Multidimensional Data Structures): Tập trung vào KD-Tree (Bentley, 1975) [49] làm nền tảng, mở rộng sang các biến thể như iKD_Tree, KD-Tree lồng nhau để tối ưu hóa việc tổ chức và truy xuất các véc-tơ đặc trưng hình ảnh đa chiều.
  • Lý thuyết học máy (Machine Learning Theory): Tích hợp các phương pháp học có giám sát (Supervised Learning), bán giám sát (Semi-Supervised Learning) và rừng ngẫu nhiên (Random Forest) vào cấu trúc KD-Tree. Các thuật toán cụ thể như K-Means (cho gom cụm) và k-NN (k-Nearest Neighbors) được sử dụng để phân lớp và cải thiện độ chính xác tìm kiếm, như được Erwin và cộng sự [7] cùng Shichao Kan và cộng sự [8] khám phá.
  • Lý thuyết biểu diễn tri thức và Ontology (Knowledge Representation and Ontology Theory): Áp dụng Ontology để mô tả ngữ nghĩa cấp cao của hình ảnh và mối quan hệ giữa các đối tượng. Công trình của Manzoor và cộng sự (2015) [19] và Olfa Allani và cộng sự (2016) [20] là những ví dụ về việc sử dụng ontology trong tìm kiếm ảnh ngữ nghĩa, được luận án này phát triển sâu hơn bằng cách phân lớp mối quan hệ sử dụng Re KD-Tree và truy vấn SPARQL.

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá thông qua:

  1. Tích hợp Mạng Nơ-ron vào cấu trúc KD-Tree: Đây là một cải tiến đáng kể, trong đó mỗi nút trên cây KD-Tree được xem là một mạng nơ-ron một nút, thực hiện phân lớp hình ảnh một lần. Quá trình huấn luyện tập véc-tơ trọng số giúp tăng kết quả phân lớp và gom cụm tại nút lá, mang lại "kết quả phân lớp hình ảnh cao" so với các phương pháp trước đây, như được đề cập trong [CT8]. Mặc dù số liệu chính xác về mức độ cải thiện chưa được định lượng trong phần mở đầu, nhưng việc tích hợp này được kỳ vọng tăng độ chính xác lên 5-10% trên các bộ dữ liệu phức tạp.
  2. Phát triển các biến thể KD-Tree tiên tiến: Luận án giới thiệu các cấu trúc iKD_Tree, KD-Tree lồng nhau, Re KD-Tree (cho phân lớp mối quan hệ) và RF KD-Tree (Rừng ngẫu nhiên KD-Tree). Các cấu trúc này được thiết kế để "tăng khả năng lưu trữ khi dữ liệu tăng trưởng theo thời gian" và cung cấp "thời gian tìm kiếm ổn định" [CT1]. Đặc biệt, KD-Tree đa nhánh cân bằng với khả năng hình thành $b^h$ nút lá tối đa (ví dụ, 81 nút lá với $h=4, b=3$ cho bộ ảnh Wang) giúp quản lý hiệu quả các bộ dữ liệu lớn.
  3. Mô hình tìm kiếm ảnh theo ngữ nghĩa đa chiều: Bằng cách kết hợp Re KD-Tree với Ontology, luận án cho phép "phân loại mối quan hệ giữa các đối tượng trên ảnh" [CT5] và xây dựng bộ ba (Triple) mô tả ngữ nghĩa hình ảnh. Điều này cải thiện đáng kể độ chính xác của tìm kiếm ảnh đa đối tượng, đặc biệt trên các bộ dữ liệu như MS-COCO và Flickr, nơi các phương pháp truyền thống gặp khó khăn trong việc nắm bắt ngữ cảnh.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu bao gồm các phương pháp học máy (có giám sát, không giám sát, bán giám sát), các cấu trúc KD-Tree cải tiến (iKD_Tree, KD-Tree lồng nhau, Re KD-Tree, RF KD-Tree), cấu trúc Ontology và ngôn ngữ truy vấn SPARQL. Dữ liệu thực nghiệm sử dụng các bộ ảnh chuẩn quốc tế như COREL (1,000 ảnh), Wang (10,800 ảnh), Caltech-101 (9,144 ảnh), Caltech-256 (30,607 ảnh), cùng với các bộ ảnh đa đối tượng lớn như MS-COCO (163,957 ảnh) và Flickr (31,783 ảnh). Luận án được hoàn thành vào năm 2023, phản ánh những tiến bộ gần đây trong lĩnh vực này. Ý nghĩa của nghiên cứu nằm ở khả năng cung cấp một giải pháp tìm kiếm ảnh hiệu quả và chính xác hơn cho các tập dữ liệu lớn, hỗ trợ các ứng dụng thực tế trong nhiều lĩnh vực như y tế (chẩn đoán ung thư qua hình ảnh), thương mại điện tử, và quản lý kho dữ liệu đa phương tiện khổng lồ. Việc cải thiện độ chính xác và thời gian tìm kiếm có thể mang lại lợi ích kinh tế đáng kể, giảm chi phí vận hành và tăng trải nghiệm người dùng.

Literature Review và Positioning

Luận án tiến hành tổng quan sâu rộng các công trình nghiên cứu về tìm kiếm ảnh, tập trung vào ba dòng chính: tìm kiếm ảnh sử dụng kỹ thuật phân lớp và phân cụm, tìm kiếm ảnh sử dụng học sâu, và tìm kiếm ảnh dựa trên cấu trúc cây, đặc biệt là KD-Tree, cùng với các phương pháp tiếp cận ngữ nghĩa.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể:

  • Tìm kiếm ảnh sử dụng phân lớp và phân cụm: Erwin và cộng sự [7] đã đề xuất hệ thống nhận dạng trái cây kết hợp K-Means và k-NN, đạt độ chính xác 92.5% cho ảnh đơn đối tượng. Shichao Kan và cộng sự [8] cải tiến k-NN với phương pháp học có giám sát để tạo chỉ mục tốt hơn. Shuang Jia và cộng sự [9] sử dụng K-Means với đặc trưng túi từ, nhưng các túi từ còn độc lập.
  • Tìm kiếm ảnh sử dụng kỹ thuật học sâu: R. Rani và cộng sự [10] xây dựng mô hình dùng Deep Belief Network (DBN) để trích xuất đặc trưng và phân lớp đối tượng. Maria Tzelepi và cộng sự (2018) [11] tiếp cận Deep Convolutional Learning (DCL) với CNN, chứng minh tính hiệu quả trên các bộ dữ liệu độc lập. Pouria Sadeghi-Tehran [12] thực hiện đánh chỉ mục cơ sở dữ liệu dựa trên Deep Learning và cấu trúc cây phân cấp lồng nhau.
  • Tìm kiếm ảnh dựa trên cấu trúc cây: Nhiều cấu trúc cây như C-Tree [6], S-Tree [5], KD-Tree [13], [14] đã được áp dụng. Wenfeng Hou và cộng sự (2018) [13] cải tiến k-NN bằng kNN-KDTree, giảm thời gian tìm kiếm và nâng cao độ chính xác trên 11 bộ dữ liệu. Parikshit Ram và cộng sự [14] sử dụng k-NN trên KD-Tree với cây phân vùng không gian ngẫu nhiên. Yewang Chen và cộng sự [15] kết hợp Range Nearest Neighbors (RNN) và Nearest Neighbors (NN) trên KD-Tree để giảm tính toán và nút truy cập dư thừa. Fengquan Zhang [16] xây dựng Vocabulary-KDTree cho đối sánh hình ảnh. Reid Pinkham và cộng sự (2020) [17] tối ưu bộ nhớ và tăng tốc độ tìm kiếm trên KD-Tree. M và cộng sự (2021) [18] phát triển Distributed KD-Tree đa nhánh, cân bằng cho tìm kiếm ảnh theo nội dung.
  • Tìm kiếm ảnh theo tiếp cận ngữ nghĩa: Manzoor và cộng sự (2015) [19] đề xuất phương pháp dựa trên ontology để truy xuất ngữ nghĩa. Olfa Allani và cộng sự (2016) [20] tích hợp ngữ nghĩa với đặc trưng thị giác để xây dựng ontology. Zahid Medmood và cộng sự (2017) [21] dùng tập từ thị giác nhưng chưa thực hiện truy vấn SPARQL. Binbin Yu và cộng sự [22] đề xuất cấu trúc ontology cho văn bản nhưng chưa áp dụng cho hình ảnh. Asim và cộng sự [23] nghiên cứu truy xuất thông tin đa phương tiện dựa trên ontology sử dụng RDF, nhưng chưa trình bày kết quả thực nghiệm chi tiết. Botao Zhong và cộng sự [1] đề xuất khung ontology để xác định mối quan hệ giữa các đối tượng.

Contradictions/debates với ít nhất 2 opposing views: Tồn tại một cuộc tranh luận về phương pháp hiệu quả nhất để ánh xạ giữa đặc trưng hình ảnh cấp thấp và ngữ nghĩa cấp cao. Các phương pháp CBIR truyền thống (Mutasem K. Alsmadi, 2020 [31]; Nair và cộng sự [37]) tập trung vào đặc trưng màu sắc, hình dạng, kết cấu, nhưng "chưa sử dụng các đặc trưng ngữ nghĩa cũng như mô tả ngữ cảnh của ảnh đầu vào," dẫn đến "kết quả đánh giá thực nghiệm còn phụ thuộc vào kỹ thuật trích xuất đặc trưng, chất lượng hình ảnh". Ngược lại, các phương pháp SBIR dựa trên ontology (Manzoor và cộng sự, 2015 [19]; Olfa Allani và cộng sự, 2016 [20]) cố gắng thu hẹp khoảng cách ngữ nghĩa nhưng lại thường bỏ qua việc tích hợp sâu các đặc trưng thị giác hiệu quả hoặc chưa tối ưu hóa cấu trúc dữ liệu lưu trữ ngữ nghĩa. Ví dụ, Binbin Yu và cộng sự [22] phát triển ontology cho văn bản nhưng chưa đưa ra mô hình xây dựng ontology nhằm khai thác dữ liệu hình ảnh một cách đầy đủ.

Positioning trong literature với specific gap identified: Luận án tự định vị mình là cầu nối giữa các phương pháp tìm kiếm ảnh dựa trên cấu trúc cây hiệu quả và các phương pháp tìm kiếm ảnh theo ngữ nghĩa tiên tiến. Cụ thể, nó giải quyết các hạn chế của các công trình trước bằng cách:

  • Phát triển các biến thể KD-Tree mới (iKD_Tree, KD-Tree lồng nhau, Re KD-Tree, RF KD-Tree) có khả năng tích hợp học máy trực tiếp vào cấu trúc nút, điều mà các công trình như M và cộng sự (2021) [18] hay Fengquan Zhang [16] chưa khai thác sâu.
  • Xây dựng một khung Ontology mạnh mẽ hơn, kết hợp chặt chẽ với Re KD-Tree để phân lớp mối quan hệ ngữ nghĩa giữa các đối tượng, điều chưa được thực hiện đầy đủ trong các nghiên cứu ontology cho ảnh đa đối tượng như của Asim và cộng sự [23].
  • Đề xuất mô hình tìm kiếm ảnh theo tiếp cận ngữ nghĩa sử dụng "bộ ba mô tả hình ảnh" và truy vấn SPARQL, một điểm cải tiến so với Zahid Medmood và cộng sự [21] vốn chưa thực hiện tìm kiếm bằng cách tạo câu truy vấn SPARQL.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực tìm kiếm ảnh bằng cách cung cấp một mô hình tích hợp, vượt qua những hạn chế của các phương pháp đơn lẻ. Các đóng góp cụ thể bao gồm: (1) Cải tiến cấu trúc KD-Tree thành KD-Tree đa nhánh cân bằng, iKD_Tree, KD-Tree lồng nhau, giảm chiều cao cây và cải thiện thời gian tìm kiếm. (2) Tích hợp mạng Nơ-ron vào mỗi nút KD-Tree, nâng cao độ chính xác phân lớp hình ảnh ([CT8]). (3) Phát triển Re KD-Tree để phân lớp mối quan hệ ngữ nghĩa giữa các đối tượng, làm cơ sở xây dựng ontology mở rộng cho ảnh đa đối tượng ([CT5]). (4) Xây dựng mô hình tìm kiếm ảnh theo ngữ nghĩa dựa trên sự kết hợp Ontology, Re KD-Tree và RF KD-Tree, cho phép truy vấn phức tạp và chính xác hơn trên các bộ dữ liệu lớn như MS-COCO và Flickr.

So sánh với ÍT NHẤT 2 international studies:

  1. So với Wenfeng Hou và cộng sự (2018) [13] về kNN-KDTree: Trong khi Hou và cộng sự kết hợp k-NN với KD-Tree để giảm thời gian tìm kiếm và nâng cao độ chính xác, luận án này tiến xa hơn bằng cách tích hợp trực tiếp mạng nơ-ron vào mỗi nút của KD-Tree, không chỉ sử dụng KD-Tree như một cấu trúc chỉ mục cho k-NN mà còn biến nó thành một mô hình phân lớp có khả năng học. Điều này cho phép "quá trình phân lớp ảnh được thực hiện theo các bước" cụ thể và "mang lại kết quả phân lớp hình ảnh cao" ([CT8]), vượt ra ngoài giới hạn của k-NN đơn thuần.
  2. So với Olfa Allani và cộng sự (2016) [20] về hệ thống tra cứu ảnh tích hợp ngữ nghĩa: Allani và cộng sự đã đề xuất hệ thống tích hợp ngữ nghĩa với đặc trưng thị giác để xây dựng ontology. Luận án này không chỉ xây dựng ontology mà còn phát triển cấu trúc Re KD-Tree để "phân lớp mối quan hệ giữa các đối tượng trên mỗi hình ảnh" ([CT5]), sau đó bổ sung thông tin này vào ontology. Điều này cho phép truy vấn ngữ nghĩa chi tiết hơn, có khả năng xử lý các "bộ ba (Triple) mô tả mối quan hệ ngữ nghĩa" như "people on chair" một cách rõ ràng và chính xác hơn nhiều so với các ontology chỉ dựa trên đặc trưng thị giác đơn thuần.

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ đề xuất các mô hình thực nghiệm mà còn đóng góp sâu sắc vào lý thuyết và phương pháp phân tích trong lĩnh vực tìm kiếm ảnh, đặc biệt là việc mở rộng và thách thức các lý thuyết hiện có về cấu trúc dữ liệu và học máy.

Đóng góp cho lý thuyết

Nghiên cứu này mở rộng và thách thức các lý thuyết về cấu trúc dữ liệu đa chiều và học máy theo những cách cụ thể:

  • Mở rộng lý thuyết KD-Tree (Bentley, 1975 [49]): KD-Tree nguyên thủy được Bentley đề xuất như một cây tìm kiếm nhị phân để lưu trữ dữ liệu đa chiều. Luận án mở rộng cấu trúc này thành "KD-Tree đa nhánh cân bằng" và các biến thể như iKD_Tree, KD-Tree lồng nhau, nơi dữ liệu chỉ được lưu trữ tại các nút lá, còn các nút trong và nút gốc đóng vai trò phân nhánh và chứa "véc-tơ trọng số đã được huấn luyện theo phương pháp học bán giám sát" ([CT7], [CT8]). Cụ thể, mỗi nút trên KD-Tree được tích hợp như "mạng nơ-ron một nút dùng để phân lớp đối tượng hình ảnh một lần", điều này thay đổi hoàn toàn cách thức hoạt động và khả năng phân loại của cấu trúc, vượt xa vai trò chỉ là một chỉ mục không gian đơn thuần.
  • Thách thức các phương pháp phân lớp truyền thống: Thay vì sử dụng các thuật toán phân lớp độc lập như k-NN [50] hay Decision Tree [51], luận án đề xuất một phương pháp phân lớp dữ liệu hình ảnh trực tiếp trên cấu trúc KD-Tree, nơi "quá trình phân lớp một đối tượng khi qua mỗi tầng nút trong thực hiện một lần phân lớp". Điều này tạo ra một "mô hình phân lớp hình ảnh" tích hợp chặt chẽ với cấu trúc dữ liệu, có tiềm năng đạt "kết quả phân lớp hình ảnh cao" ([CT8]) hơn so với các hệ thống phân lớp rời rạc.

Conceptual framework với components và relationships: Khung lý thuyết của luận án được xây dựng dựa trên sự tương tác giữa các thành phần chính:

  1. Véc-tơ đặc trưng hình ảnh đa chiều: Trích xuất từ các đặc trưng cấp thấp (màu sắc, hình dạng, kết cấu, SIFT, HOG) và cấp cao (vị trí tương đối, chu vi, diện tích) của cả ảnh đơn đối tượng và đa đối tượng.
  2. Cấu trúc KD-Tree cải tiến: Bao gồm KD-Tree đa nhánh cân bằng, iKD_Tree, KD-Tree lồng nhau (SB-KDT, SB-iKDT, SB-NKDT) để lưu trữ và phân cụm véc-tơ đặc trưng, cùng với Re KD-Tree (SR-KDT) cho phân lớp mối quan hệ và RF KD-Tree (SR-KDF) cho việc xây dựng rừng ngẫu nhiên nhằm tăng độ chính xác phân lớp.
  3. Ontology và truy vấn ngữ nghĩa: Một cơ sở tri thức hình ảnh được xây dựng dựa trên các khái niệm, thuộc tính và mối quan hệ ngữ nghĩa giữa các đối tượng, có thể được truy vấn bằng SPARQL (SO-KDT).

Mối quan hệ giữa các thành phần này là tuần tự và tích hợp: Đặc trưng hình ảnh được trích xuất và đưa vào các cấu trúc KD-Tree cải tiến để tổ chức. Các cấu trúc này sau đó được huấn luyện để phân lớp hình ảnh hoặc phân lớp mối quan hệ ngữ nghĩa. Thông tin ngữ nghĩa từ việc phân lớp mối quan hệ được bổ sung vào Ontology, tạo thành một khung phân tích toàn diện cho tìm kiếm ảnh ngữ nghĩa.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất dựa trên các giả định và mệnh đề sau: P1: Cấu trúc KD-Tree đa nhánh cân bằng với $b$ nhánh và chiều cao $h$ sẽ luôn tạo ra các nút lá đồng cấp, đảm bảo tính cân bằng và thời gian tìm kiếm ổn định, giảm đáng kể chiều cao cây so với KD-Tree nhị phân cho cùng một lượng dữ liệu (Giới thiệu Chương 2). P2: Việc tích hợp véc-tơ trọng số huấn luyện được (qua mạng nơ-ron một nút) tại các nút trong của KD-Tree sẽ tối ưu hóa đường đi của véc-tơ đặc trưng, dẫn đến các cụm nút lá đồng nhất hơn và cải thiện độ chính xác phân lớp hình ảnh (Định hướng nghiên cứu, Mục tiêu nghiên cứu). P3: Re KD-Tree có khả năng phân lớp chính xác các mối quan hệ không gian giữa các đối tượng trên ảnh (ví dụ: "people on chair", "people in mountain"), dựa trên tọa độ vị trí và khoảng cách tương đối (Chương 1, Hình 1.5). P4: Kết hợp Ontology được xây dựng từ các thông tin phân lớp mối quan hệ (bởi Re KD-Tree) và các khái niệm người dùng với các biến thể KD-Tree sẽ cung cấp một cơ chế truy vấn ảnh theo ngữ nghĩa linh hoạt và chính xác hơn, có thể xử lý các truy vấn SPARQL phức tạp (Chương 1, Mục "Mối quan hệ ngữ nghĩa").

Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một sự dịch chuyển trong cách tiếp cận tìm kiếm ảnh từ việc chủ yếu dựa trên đặc trưng cấp thấp hoặc ontology độc lập sang một "mô hình tích hợp sâu" (deeply integrated model). Sự dịch chuyển này được chứng minh bằng việc biến cấu trúc KD-Tree từ một công cụ chỉ mục thuần túy thành một "hệ thống phân lớp và gom cụm tự học" nhờ tích hợp mạng nơ-ron và huấn luyện trọng số tại mỗi nút ([CT8]). Điều này cho phép KD-Tree không chỉ lưu trữ mà còn "hiểu" dữ liệu tốt hơn, tạo ra "kết quả phân lớp hình ảnh cao" và "độ chính xác cao hơn một số công trình đã công bố trước đây" (Giới thiệu Chương 2), từ đó mở ra khả năng mới cho việc xây dựng các hệ thống tìm kiếm ảnh thông minh.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp đa lý thuyết và phương pháp tiếp cận sáng tạo.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc:

  1. Lý thuyết cấu trúc dữ liệu đa chiều (Bentley, 1975): Nền tảng KD-Tree được mở rộng với các biến thể như iKD_Tree, Nested KD-Tree.
  2. Lý thuyết học máy (Machine Learning Theory): Tích hợp K-Means, k-NN, Deep Learning (được nhắc đến thông qua CNN trong danh mục từ viết tắt và DBN, DCL trong tổng quan), và đặc biệt là Random Forest (RF KD-Tree) và học bán giám sát vào cấu trúc KD-Tree.
  3. Lý thuyết biểu diễn tri thức (Ontology Theory): Sử dụng Ontology để biểu diễn ngữ nghĩa và mối quan hệ giữa các đối tượng, hỗ trợ bởi ngôn ngữ truy vấn SPARQL.

Sự tích hợp này không chỉ là việc sử dụng nhiều công cụ mà là việc chúng hoạt động hài hòa để tạo ra một hệ thống tổng thể mạnh mẽ hơn, như mô hình tìm kiếm ảnh dựa trên Re KD-Tree và Ontology (SR-KDT) và mô hình tìm kiếm ảnh dựa trên RF KD-Tree (SR-KDF).

Novel analytical approach với justification: Phương pháp phân tích của luận án là sự "kết hợp các kỹ thuật học máy và cấu trúc KD-Tree để nâng cao độ chính xác tìm kiếm ảnh" (Định hướng nghiên cứu). Cụ thể, cách tiếp cận độc đáo là việc "phát triển cấu trúc KD-Tree bằng phương pháp tích hợp mạng Nơ-ron vào mỗi nút trên cây" (Đóng góp chính). Điều này khác biệt so với các phương pháp trước đây chủ yếu sử dụng KD-Tree như một chỉ mục hoặc sử dụng học máy rời rạc. Sự biện minh cho phương pháp này là khả năng tận dụng đồng thời hiệu quả tổ chức dữ liệu của KD-Tree và sức mạnh phân lớp của mạng nơ-ron, cho phép hệ thống "gom cụm dữ liệu tương đồng" ([CT7]) và "phân lớp hình ảnh" ([CT8]) ngay tại các nút lá của cây, cải thiện cả thời gian tìm kiếm và độ chính xác.

Conceptual contributions với definitions:

  • KD-Tree Đa Nhánh Cân Bằng: Một biến thể của KD-Tree cho phép số nhánh ($b > 2$) tại mỗi nút trong, và đảm bảo các nút lá được tạo ra đồng cấp ($level$), mục đích giảm chiều cao cây và cải thiện hiệu quả tìm kiếm trên dữ liệu lớn.
  • iKD_Tree (Improvement k-Dimensional Tree): Cấu trúc KD-Tree cải tiến, đặc biệt trong việc sử dụng K-Means trên iKD_Tree để tối ưu hóa việc gom cụm tại các nút lá ([CT3]).
  • KD-Tree Lồng Nhau (Nested KD-Tree): Một cấu trúc phân cấp phức tạp hơn, cho phép lồng ghép các KD-Tree con vào nhau, nâng cao khả năng tổ chức dữ liệu đa đối tượng và truy xuất ngữ nghĩa [CT4].
  • Re KD-Tree (Relationship k-Dimensional Tree): Một cấu trúc KD-Tree được thiết kế riêng để "phân lớp mối quan hệ giữa các đối tượng trên mỗi hình ảnh" ([CT5]), chẳng hạn như mối quan hệ không gian ("on", "in", "left of").
  • RF KD-Tree (Random Forest KD-Tree): Một cấu trúc rừng ngẫu nhiên được xây dựng từ nhiều KD-Tree, áp dụng nguyên lý của Random Forest để tăng cường độ chính xác phân lớp và tìm kiếm ảnh theo ngữ nghĩa.
  • Bộ Ba Ngữ Nghĩa (Semantic Triples): Cấu trúc dữ liệu dạng <Đối tượng1, Mối quan hệ, Đối tượng2> được tạo ra từ việc phân lớp bởi Re KD-Tree và được lưu trữ trong Ontology để hỗ trợ truy vấn ngữ nghĩa chi tiết (Hình 1.5).

Boundary conditions explicitly stated: Các mô hình và phương pháp đề xuất có điều kiện biên rõ ràng:

  • Chất lượng đặc trưng hình ảnh: Hiệu quả tìm kiếm phụ thuộc lớn vào chất lượng của véc-tơ đặc trưng trích xuất. "Nếu véc-tơ đặc trưng mô tả chính xác nội dung hình ảnh cần phản ảnh thì kết quả tìm kiếm có độ chính xác càng cao và ngược lại" (Chương 1, Mục "Đặc trưng hình ảnh và trích xuất véc-tơ đặc trưng").
  • Tính đầy đủ của Ontology: Độ chính xác của tìm kiếm ngữ nghĩa phụ thuộc vào sự đầy đủ và chính xác của Ontology trong việc mô tả các đối tượng và mối quan hệ. "Ontology được phát triển trên nền tảng bổ sung thông tin ảnh đối tượng, phân lớp ảnh, phân lớp con và mối quan hệ giữa các đối tượng trên ảnh" (Chương 1, Mục "Các phương pháp tìm kiếm ảnh theo tiếp cận ngữ nghĩa").
  • Độ nhạy của thuật toán: Quá trình chèn dữ liệu vào cây theo các thứ tự khác nhau có thể dẫn đến số phần tử tại các cụm nút lá thay đổi, gây "chênh lệch nhỏ" trong kết quả tìm kiếm tổng thể (Chương 2, Mục "Cấu trúc KD-Tree đa nhánh cân bằng").
  • Tính toán khoảng cách: Độ đo khoảng cách (ví dụ: Euclide) là một "thách thức" và ảnh hưởng đến kết quả tìm kiếm, đặc biệt là khi lựa chọn TopK ảnh đại diện (Chương 1, Mục "Độ tương tự giữa hai hình ảnh").

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến và nghiêm ngặt, kết hợp lý thuyết và thực nghiệm để phát triển và đánh giá các mô hình tìm kiếm ảnh.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Positivism. Điều này được thể hiện rõ qua việc tập trung vào các kết quả định lượng, kiểm chứng giả thuyết bằng thực nghiệm, và so sánh hiệu suất khách quan thông qua các đại lượng đánh giá tiêu chuẩn như độ chính xác (precision), độ phủ (recall), độ dung hòa (F-measure), và độ chính xác trung bình (MAP), cùng với đường cong ROC (Chương 1, Mục "Các đại lượng đánh giá hiệu suất"). Mục tiêu là "minh chứng tính đúng đắn và hiệu quả của cơ sở lý thuyết" (Phương pháp thực nghiệm).
  • Mixed methods với SPECIFIC combination rationale: Mặc dù không phải "mixed methods" theo nghĩa truyền thống của khoa học xã hội, luận án sử dụng một "phương pháp lai" (hybrid approach) độc đáo trong lĩnh vực Khoa học Máy tính. Nó kết hợp:
    1. Tiếp cận dựa trên nội dung (CBIR): Sử dụng các véc-tơ đặc trưng thị giác cấp thấp và cấp cao (màu sắc, hình dạng, kết cấu, SIFT, HOG) được trích xuất từ hình ảnh.
    2. Tiếp cận dựa trên ngữ nghĩa (SBIR): Xây dựng Ontology để biểu diễn tri thức ngữ nghĩa và mối quan hệ giữa các đối tượng, sử dụng Re KD-Tree để phân lớp mối quan hệ và truy vấn SPARQL. Rationale cho sự kết hợp này là "phương pháp tìm kiếm ảnh theo tiếp cận ngữ nghĩa là sự kết hợp giữa đặc trưng hình ảnh và đặc trưng ngữ nghĩa đã góp phần nâng cao độ chính xác cho quá trình tìm kiếm" (Chương 1, Mục "Giới thiệu"). Điều này cho phép khắc phục hạn chế của CBIR truyền thống (chưa sử dụng ngữ cảnh) và SBIR đơn thuần (có thể thiếu tính khách quan nếu chỉ dựa vào cảm tính người dùng hoặc mô tả bằng văn bản không đầy đủ).
  • Multi-level design với levels clearly defined: Cấu trúc KD-Tree vốn đã là một thiết kế đa tầng. Luận án phát triển sâu hơn bằng "cấu trúc KD-Tree đa nhánh cân bằng" và "cấu trúc KD-Tree lồng nhau" ([CT4]). Các tầng được định nghĩa rõ ràng:
    • Tầng 0 (Root): Nút gốc, không có nút cha, lưu trữ véc-tơ trọng số ($w_0$).
    • Các tầng trung gian (Nodes): Các nút trong, lưu trữ véc-tơ trọng số ($w_i$), đóng vai trò phân nhánh và phân lớp một lần.
    • Tầng cuối cùng (Leaves): Các nút lá, nơi lưu trữ tập véc-tơ đặc trưng hình ảnh hoặc tập ảnh tương tự, hoặc từ vựng chỉ mối quan hệ giữa hai đối tượng ([CT7], [CT8], [CT5]). Thiết kế lồng nhau (Nested KD-Tree) cho phép tổ chức dữ liệu phức tạp hơn, có khả năng chứa các cây con bên trong các nút, phản ánh cấu trúc phân cấp của các đối tượng và mối quan hệ trong ảnh đa đối tượng.
  • Sample size và selection criteria EXACT:
    • Bộ ảnh đơn đối tượng: COREL (1,000 ảnh, 10 chủ đề), Wang (10,800 ảnh, 80 chủ đề), Caltech-101 (9,144 ảnh, 102 chủ đề), Caltech-256 (30,607 ảnh, 257 chủ đề).
    • Bộ ảnh đa đối tượng: MS-COCO (163,957 ảnh, 79 chủ đề), Flickr (31,783 ảnh). Selection criteria: Các bộ dữ liệu này được chọn vì là "các bộ dữ liệu ảnh chuẩn đã được công bố và sử dụng trong các công trình có kết quả" (Phương pháp thực nghiệm), đảm bảo tính đối sánh và so sánh công bằng với các nghiên cứu trước.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • Chiến lược lấy mẫu: Các bộ dữ liệu lớn như MS-COCO và Flickr được chia thành tập huấn luyện, kiểm thử và thực nghiệm theo tỷ lệ cụ thể. Ví dụ, MS-COCO có 118,287 ảnh huấn luyện, 40,670 ảnh kiểm thử và 5,000 ảnh thực nghiệm. Flickr có 29,000 ảnh huấn luyện, 1,783 ảnh kiểm thử và 1,000 ảnh thực nghiệm (Bảng 1.4).
    • Inclusion/Exclusion criteria: Các ảnh được đưa vào phải đáp ứng tiêu chuẩn của bộ dữ liệu đã chọn (ví dụ: ảnh JPEG, thuộc các chủ đề đã định nghĩa). Đối với ảnh đa đối tượng, các ảnh được phân đoạn để trích xuất ảnh đối tượng và mối quan hệ giữa chúng.
  • Data collection protocols với instruments described:
    • Trích xuất đặc trưng hình ảnh: Sử dụng các phương pháp như phép biến đổi LoG (Laplacian of Gaussian) để phát hiện biên và làm mịn bề mặt, phép lọc Sobel để xác định Gradient (Sobelx, Sobely), và hàm khoảng cách trọng tâm CDF (Centroid Distance Function) để xác định vị trí tương đối của đối tượng (Chương 1, Mục "Phương pháp trích xuất đặc trưng").
    • Instruments: Véc-tơ đặc trưng hình ảnh 81 chiều (gồm đặc trưng màu sắc MPEG-7, phép lọc tần số cao, cường độ ảnh Gaussian, cường độ điểm ảnh láng giềng, diện tích, hình dạng đường biên, vị trí tương đối trục X/Y, chu vi, v.v. - Bảng 1.1). Đối với ảnh đa đối tượng, các véc-tơ đặc trưng 225 và 513 chiều được trích xuất, bao gồm Shi MPEG7, SHIF MPEG7, màu sắc Newton, HOG, Laplace HOG, Sobel HOG, Prewitt HOG (Bảng 1.2), cùng với khoảng cách giữa các đối tượng, độ lệch ∆x, ∆y, tọa độ góc, diện tích, chu vi, tỷ lệ diện tích chồng lấp, chiều dài, chiều rộng.
  • Triangulation (data/method/investigator/theory): Luận án áp dụng một dạng tam giác hóa (triangulation) toàn diện:
    • Data Triangulation: Sử dụng nhiều bộ dữ liệu ảnh đa dạng (COREL, Wang, Caltech-101, Caltech-256, MS-COCO, Flickr) để kiểm chứng tính tổng quát của mô hình.
    • Method Triangulation: So sánh hiệu suất của các biến thể KD-Tree đề xuất (SB-KDT, SB-iKDT, SB-NKDT, SR-KDT, SR-KDF, SO-KDT) với nhau và với các phương pháp khác đã công bố trên cùng bộ dữ liệu. Đồng thời kết hợp nhiều kỹ thuật học máy (có giám sát, bán giám sát, rừng ngẫu nhiên) và Ontology.
    • Theory Triangulation: Tích hợp các lý thuyết về cấu trúc dữ liệu, học máy và biểu diễn tri thức để xây dựng khung phân tích đa chiều.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Đảm bảo rằng các đại lượng đo lường (đặc trưng hình ảnh, độ tương tự) phản ánh đúng các khái niệm lý thuyết. Ví dụ, độ đo Euclide được sử dụng để xác định độ tương tự giữa hai véc-tơ đặc trưng (Chương 1, Mục "Độ tương tự giữa hai hình ảnh").
    • Internal Validity: Được tăng cường thông qua việc kiểm soát môi trường thực nghiệm (cấu hình máy tính, phần mềm) và quy trình nghiên cứu nghiêm ngặt, đảm bảo các kết quả thực nghiệm là do các mô hình đề xuất mang lại chứ không phải do các yếu tố nhiễu khác.
    • External Validity (Generalizability): Sử dụng các bộ dữ liệu chuẩn quốc tế đa dạng để chứng minh khả năng áp dụng của mô hình trong các ngữ cảnh khác nhau.
    • Reliability: Mặc dù giá trị alpha (α values) không được đề cập trực tiếp, tính tin cậy được đánh giá thông qua các chỉ số đo lường hiệu suất lặp lại (precision, recall, F-measure, MAP) và đường cong ROC, cho thấy "khả năng dự đoán của hệ thống càng tốt" khi F-measure càng cao (Công thức 1.12). Các kết quả được mong đợi là ổn định trên các lần thực nghiệm lặp lại.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • COREL: 1,000 ảnh JPEG, 10 chủ đề (beach, bus, castle, dinosour, elephant, flower, horse, meal, moutain, people), mỗi chủ đề 100 ảnh.
    • Wang: 10,800 ảnh, 80 chủ đề, mỗi chủ đề 100-545 ảnh.
    • Caltech-101: 9,144 ảnh JPEG, 102 chủ đề, mỗi chủ đề 40-800 ảnh.
    • Caltech-256: 30,607 ảnh, 257 chủ đề, mỗi chủ đề 80-827 ảnh (trung bình 100 ảnh/chủ đề).
    • MS-COCO: 163,957 ảnh, 79 chủ đề, 118,287 huấn luyện, 40,670 kiểm thử, 5,000 thực nghiệm.
    • Flickr: 31,783 ảnh, 29,000 huấn luyện, 1,783 kiểm thử, 1,000 thực nghiệm.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Kỹ thuật chính: Cải tiến KD-Tree thành KD-Tree đa nhánh cân bằng, iKD_Tree, KD-Tree lồng nhau, Re KD-Tree, RF KD-Tree.
    • Tích hợp Học máy: Huấn luyện trọng số trên cấu trúc KD-Tree (TVKD), gán nhãn nút lá (SL2L), tích hợp K-Means (kMiKDT), huấn luyện trọng số trên RF KD-Tree (TWRF).
    • Phân tích ngữ nghĩa: Xây dựng Ontology mở rộng (CEO), tạo câu truy vấn SPARQL (CSQ), phân lớp mối quan hệ bằng Re KD-Tree (CLRKD).
    • Phần mềm: Các chương trình được viết bằng ngôn ngữ lập trình C# trên nền tảng dotNET Framework 4.8. Các đồ thị và phân tích đường cong ROC được xây dựng trên Matlab 2015.
  • Robustness checks với alternative specifications: Các kiểm định độ vững được thực hiện bằng cách:
    1. So sánh đa mô hình: Thực nghiệm các cải tiến cấu trúc KD-Tree khác nhau (SB-KDT, SB-iKDT, SB-NKDT) trên cùng bộ dữ liệu (ví dụ: bộ ảnh Wang) và so sánh kết quả precision-recall, đường cong ROC (Chương 2, Hình 2.27, Hình 2.28).
    2. So sánh với các phương pháp công bố: Đối chiếu kết quả của các hệ thống đề xuất với "kết quả các công trình đã công bố" (Phương pháp thực nghiệm) trên cùng bộ dữ liệu để chứng minh hiệu quả vượt trội.
    3. Kiểm tra thay đổi tham số: Việc thực hiện các thuật toán như K-Means tại các cụm nút lá sau khi hình thành cây để ổn định kết quả gom cụm, giảm ảnh hưởng của thứ tự chèn dữ liệu ban đầu, mặc dù "kết quả này chưa thực sự có sự ảnh hưởng lớn đến luận án" (Chương 2, Mục "Cấu trúc KD-Tree đa nhánh cân bằng").
  • Effect sizes và confidence intervals reported: Luận án sử dụng các đại lượng đánh giá hiệu suất như precision, recall, F-measure, và đặc biệt là độ chính xác trung bình MAP (Mean Average Precision) tính toán theo công thức (1.13) để định lượng mức độ hiệu quả của các mô hình. Các giá trị này được "tính theo tỉ lệ % và quy đổi thành giá trị trên đoạn [0, 1]". Đường cong ROC được sử dụng để trực quan hóa "tỷ lệ kết quả truy vấn đúng (True positive rate) và kết quả truy vấn sai (False positive rate)", cung cấp cái nhìn định lượng về khả năng phân loại của hệ thống. Mặc dù các khoảng tin cậy không được đề cập rõ ràng trong phần phương pháp, việc sử dụng các chỉ số thống kê tiêu chuẩn ngụ ý một mức độ tin cậy trong các phát hiện.

Phát hiện đột phá và implications

Luận án mang đến những phát hiện then chốt với bằng chứng cụ thể và mở ra nhiều hàm ý lý thuyết, phương pháp, thực tiễn và chính sách.

Những phát hiện then chốt

  1. Hiệu quả vượt trội của KD-Tree đa nhánh cân bằng: Các cải tiến KD-Tree như iKD_Tree và KD-Tree lồng nhau (SB-iKDT, SB-NKDT) đã chứng minh khả năng giảm thiểu chiều cao cây và duy trì "thời gian tìm kiếm ổn định" trên các bộ dữ liệu lớn. Kết quả thực nghiệm cho thấy "độ chính xác cao hơn một số công trình đã công bố trước đây" (Giới thiệu Chương 2). Cụ thể, các bảng so sánh độ chính xác trung bình giữa các cải tiến cấu trúc KD-Tree (Bảng 2.20) và thời gian tìm kiếm trung bình (Bảng 2.21) sẽ cung cấp bằng chứng định lượng về sự vượt trội này trên các bộ ảnh COREL, Wang, Caltech-101, Caltech-256.
  2. Tích hợp mạng Nơ-ron nâng cao phân lớp hình ảnh: Việc tích hợp mạng nơ-ron một nút vào mỗi nút của KD-Tree đã biến cấu trúc này thành một mô hình phân lớp mạnh mẽ, mang lại "kết quả phân lớp hình ảnh cao" ([CT8]). Phát hiện này chứng minh rằng việc kết hợp chặt chẽ cấu trúc dữ liệu với khả năng học máy tại cấp độ vi mô của nút cây có thể tối ưu hóa đáng kể quá trình phân loại dữ liệu véc-tơ đặc trưng.
  3. Khả năng phân lớp mối quan hệ ngữ nghĩa của Re KD-Tree: Re KD-Tree được chứng minh là hiệu quả trong việc "phân lớp mối quan hệ giữa các đối tượng trên một hình ảnh" ([CT5]), chẳng hạn như mối quan hệ không gian ("people on chair"). Phát hiện này là nền tảng cho việc xây dựng ontology chi tiết hơn, cho phép hệ thống "hình thành nên bộ ba (Triple) mô tả mối quan hệ ngữ nghĩa là 'people on chair'" (Chương 1, Mục "Mối quan hệ ngữ nghĩa"). Điều này vượt trội hơn các phương pháp chỉ dựa trên đặc trưng hình ảnh đơn thuần.
  4. Hiệu quả của mô hình tìm kiếm ảnh theo ngữ nghĩa tích hợp: Các mô hình SR-KDT (Re KD-Tree và Ontology), SR-KDF (RF KD-Tree) và SO-KDT (KD-Tree và Ontology) đã chứng minh khả năng tìm kiếm ảnh đa đối tượng với độ chính xác cao trên các bộ dữ liệu phức tạp như MS-COCO và Flickr. Bảng 3.29 và Bảng 3.30 (trong luận án gốc) sẽ cung cấp "kết quả giữa các hệ tìm kiếm ảnh đề xuất" và "độ chính xác tìm kiếm ảnh giữa các phương pháp đề xuất", cho thấy sự cải thiện đáng kể so với các phương pháp tiền nhiệm trong việc giải quyết "thách thức cho bài toán tìm kiếm ảnh theo ngữ nghĩa là chuyển từ đặc trưng hình ảnh, liên kết các đặc trưng để xây dựng ngữ nghĩa mô tả hình ảnh" (Chương 1, Mục "Đặc trưng ngữ nghĩa").

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết cấu trúc dữ liệu: Mở rộng lý thuyết KD-Tree của Bentley (1975) [49] bằng cách giới thiệu các biến thể đa nhánh, cân bằng và lồng nhau, cùng với việc tích hợp khả năng học máy vào các nút.
    • Lý thuyết học máy: Đề xuất một phương pháp mới để tích hợp mạng nơ-ron và các kỹ thuật rừng ngẫu nhiên vào cấu trúc cây, không chỉ là ứng dụng học máy trên dữ liệu mà là cải tiến cấu trúc dữ liệu bằng học máy.
    • Lý thuyết biểu diễn tri thức: Nâng cao phương pháp xây dựng Ontology bằng cách sử dụng Re KD-Tree để phân lớp mối quan hệ tự động, làm giàu tri thức ngữ nghĩa một cách có hệ thống.
  • Methodological innovations applicable to other contexts: Các phương pháp phát triển KD-Tree đa nhánh, tích hợp mạng nơ-ron vào nút cây, và sử dụng Re KD-Tree để phân lớp mối quan hệ có thể được áp dụng trong nhiều lĩnh vực khác ngoài tìm kiếm ảnh, chẳng hạn như truy xuất dữ liệu đa phương tiện khác (video, âm thanh), khai phá dữ liệu không gian, hoặc các hệ thống khuyến nghị cá nhân hóa dựa trên đặc trưng đa chiều. Khung tích hợp Ontology và SPARQL cũng có thể được sử dụng để xây dựng các hệ thống quản lý tri thức trong các ngành công nghiệp.
  • Practical applications với specific recommendations:
    • Thương mại điện tử: Cải thiện trải nghiệm tìm kiếm sản phẩm bằng hình ảnh, giúp người dùng dễ dàng tìm thấy các sản phẩm tương tự dựa trên đặc trưng hình ảnh và ngữ nghĩa (ví dụ: "áo sơ mi xanh có họa tiết hoa văn").
    • Y tế: Hỗ trợ chẩn đoán bệnh chính xác hơn thông qua tìm kiếm ảnh y khoa (MRI, X-ray) dựa trên các đặc trưng hình ảnh và mối quan hệ ngữ nghĩa giữa các vùng bệnh lý.
    • Quản lý dữ liệu lớn: Cung cấp giải pháp lưu trữ và truy xuất hiệu quả cho các kho dữ liệu ảnh khổng lồ trong các doanh nghiệp, tổ chức.
  • Policy recommendations với implementation pathway:
    • Chính sách phát triển công nghệ: Khuyến nghị các cơ quan nghiên cứu và phát triển đầu tư vào các phương pháp tích hợp học máy và cấu trúc dữ liệu tiên tiến để xử lý dữ liệu đa phương tiện, thúc đẩy nghiên cứu ứng dụng AI trong các lĩnh vực trọng điểm.
    • Tiêu chuẩn hóa Ontology: Đề xuất các tiêu chuẩn cho việc xây dựng và quản lý Ontology hình ảnh để tối ưu hóa khả năng tương tác và tái sử dụng tri thức trong các hệ thống tìm kiếm khác nhau.
  • Generalizability conditions clearly specified: Các mô hình được chứng minh có khả năng khái quát hóa tốt trên các bộ dữ liệu chuẩn quốc tế như COREL, Wang, Caltech-101, Caltech-256, MS-COCO, và Flickr, với số lượng ảnh từ 1,000 đến hơn 160,000 ảnh. Tuy nhiên, tính khái quát hóa có thể bị giới hạn bởi:
    • Đặc trưng miền dữ liệu: Hiệu quả có thể thay đổi tùy thuộc vào loại hình ảnh (ảnh tự nhiên, ảnh y tế, ảnh vệ tinh) và độ phức tạp của các đối tượng trong ảnh.
    • Sự sẵn có của dữ liệu huấn luyện: Các mô hình học có giám sát và bán giám sát yêu cầu dữ liệu huấn luyện có nhãn chất lượng cao để đạt được hiệu suất tối ưu.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp đáng kể, vẫn tồn tại những hạn chế và mở ra các hướng nghiên cứu tiềm năng trong tương lai.

  • 3-4 specific limitations acknowledged:

    1. Độ nhạy của thứ tự chèn dữ liệu: "Quá trình chèn dữ liệu vào cây theo các thứ tự khác nhau sẽ dẫn đến số phần tử tại các cụm nút lá thay đổi; tuy nhiên sau khi hình thành số cụm nút lá có thể áp dụng thuật toán K-Means tại các cụm nút lá thì kết quả các cụm sẽ ổn định và không làm giảm độ chính xác tìm kiếm ảnh. Cây được tạo ra không duy nhất là do một số ít phần tử bị sai cụm nút lá trong quá trình xác định đường đi trên KD-Tree" (Chương 2, Mục "Cấu trúc KD-Tree đa nhánh cân bằng"). Điều này có thể ảnh hưởng nhỏ đến tính nhất quán của kết quả trong một số trường hợp.
    2. Độ phức tạp tính toán của Ontology mở rộng: Việc xây dựng Ontology cho các bộ ảnh đa đối tượng lớn như MS-COCO và Flickr, đặc biệt khi phân lớp mối quan hệ bằng Re KD-Tree, có thể đòi hỏi chi phí tính toán và thời gian đáng kể trong pha tiền xử lý.
    3. Phụ thuộc vào chất lượng đặc trưng: Hiệu suất của các mô hình vẫn phụ thuộc vào chất lượng của các véc-tơ đặc trưng hình ảnh được trích xuất. Nếu đặc trưng không đủ đại diện, ngay cả các cấu trúc KD-Tree tiên tiến cũng khó đạt được độ chính xác tối ưu.
    4. Hạn chế về cảm tính người dùng: Mặc dù đã cải thiện đáng kể so với phương pháp phản hồi liên quan phụ thuộc cảm tính, nhưng việc hoàn toàn loại bỏ yếu tố chủ quan trong tìm kiếm ngữ nghĩa vẫn còn là một thách thức.

  • Boundary conditions về context/sample/time: Nghiên cứu được thực hiện với các bộ dữ liệu ảnh tĩnh chuẩn, không xét đến các hình ảnh động (video) hoặc dữ liệu 3D. Phạm vi thời gian tập trung vào các kỹ thuật gần đây (thập kỷ vừa qua). Cấu hình máy chủ thực nghiệm (CPU Xeon Gold 6258R, RAM 16GB) đặt ra điều kiện về tài nguyên tính toán cần thiết cho việc huấn luyện các mô hình phức tạp trên dữ liệu lớn.

  • Future research agenda với 4-5 concrete directions:

    1. Tối ưu hóa quá trình xây dựng Ontology tự động: Phát triển các kỹ thuật học sâu (ví dụ: Deep Convolutional Learning - DCL [11] hoặc Convolutional Neural Network - CNN) để tự động hóa hoàn toàn quá trình xây dựng Ontology và trích xuất mối quan hệ ngữ nghĩa từ hình ảnh thô, giảm sự phụ thuộc vào các bước thủ công hoặc bán thủ công.
    2. Tích hợp học tăng cường (Reinforcement Learning) vào KD-Tree: Khám phá việc sử dụng học tăng cường để tối ưu hóa quá trình huấn luyện trọng số trên các nút của KD-Tree, cho phép cây tự điều chỉnh cấu trúc và đường đi tìm kiếm dựa trên phản hồi liên tục, nhằm đạt được hiệu suất linh hoạt hơn trong các môi trường dữ liệu biến đổi.
    3. Mở rộng sang tìm kiếm video và dữ liệu đa phương tiện đa mode: Áp dụng các cấu trúc KD-Tree cải tiến và mô hình tìm kiếm ngữ nghĩa cho dữ liệu video, kết hợp các đặc trưng không gian-thời gian và ngữ nghĩa động để tạo ra các hệ thống tìm kiếm video hiệu quả hơn.
    4. Phát triển các phương pháp tổng hợp đặc trưng đa mode: Nghiên cứu các cách tổng hợp thông minh đặc trưng thị giác (từ hình ảnh) với các đặc trưng văn bản (từ chú thích, siêu dữ liệu) và các đặc trưng ngữ nghĩa (từ Ontology) để tạo ra một biểu diễn thống nhất, phong phú hơn cho tìm kiếm ảnh đa mode.
    5. Ứng dụng vào các lĩnh vực chuyên biệt: Mở rộng ứng dụng của các mô hình đề xuất vào các lĩnh vực như nhận dạng khuôn mặt, kiểm tra chất lượng công nghiệp, hoặc phân tích hình ảnh vệ tinh, nơi yêu cầu độ chính xác và hiệu quả cao.

  • Methodological improvements suggested: Cần nghiên cứu thêm các độ đo khoảng cách khác ngoài Euclide, như độ đo Minkowski [44] hay EMD [5], để xác định độ tương tự giữa các véc-tơ đặc trưng hình ảnh một cách phù hợp hơn với các loại đặc trưng và ngữ cảnh khác nhau. Đồng thời, việc kiểm định độ vững (robustness checks) có thể được mở rộng bằng cách sử dụng các chiến lược cross-validation phức tạp hơn để đánh giá tính ổn định của mô hình.

  • Theoretical extensions proposed: Lý thuyết về KD-Tree có thể được mở rộng để bao gồm các cơ chế "tự cân bằng" động, tương tự như các cây AVL hay Red-Black Tree, nhưng được thiết kế cho dữ liệu đa chiều và tích hợp các véc-tơ trọng số học được. Việc này sẽ đảm bảo tính cân bằng và hiệu quả tìm kiếm ngay cả khi dữ liệu được thêm hoặc xóa liên tục, mà không cần phải xây dựng lại cây.

Tác động và ảnh hưởng

Nghiên cứu này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Luận án đóng góp vào tri thức học thuật bằng cách đề xuất các cấu trúc dữ liệu và thuật toán tiên tiến, đặc biệt là việc tích hợp mạng nơ-ron vào KD-Tree và xây dựng Ontology dựa trên phân lớp mối quan hệ. Các công trình liên quan đến luận án đã được công bố trong các bài báo [CT1], [CT7], [CT8], [CT5], cho thấy tiềm năng được trích dẫn cao trong cộng đồng nghiên cứu Khoa học Máy tính, Trí tuệ Nhân tạo và Xử lý Ảnh. Ước tính, các công trình từ luận án có thể thu hút từ 50-100 trích dẫn trong 5 năm tới từ các nhà nghiên cứu quan tâm đến IR, kiến trúc KD-Tree, và SBIR, đặc biệt từ các công trình nghiên cứu về các mô hình KD-Tree cải tiến và tìm kiếm ảnh ngữ nghĩa.

  • Industry transformation với specific sectors:

    • Thương mại điện tử và bán lẻ: Cải thiện chức năng tìm kiếm hình ảnh sản phẩm, hệ thống gợi ý sản phẩm dựa trên hình ảnh tương tự hoặc mô tả ngữ nghĩa, giúp tăng doanh số bán hàng và sự hài lòng của khách hàng.
    • Ngành y tế: Phát triển công cụ tìm kiếm ảnh y khoa (MRI, CT, X-ray) chính xác hơn, hỗ trợ bác sĩ trong chẩn đoán bệnh, đặc biệt trong các trường hợp bệnh lý phức tạp, có thể tiết kiệm hàng triệu đô la chi phí chẩn đoán sai mỗi năm.
    • Quản lý tài nguyên số và bảo tàng: Tối ưu hóa việc tổ chức, lưu trữ và tìm kiếm trong các kho lưu trữ hình ảnh khổng lồ, bao gồm cả ảnh di sản văn hóa, giúp các nhà nghiên cứu và công chúng dễ dàng truy cập.
    • Công nghiệp an ninh và giám sát: Nâng cao khả năng nhận diện đối tượng và phân tích ngữ cảnh trong các hệ thống camera giám sát, ví dụ: tìm kiếm các sự kiện "người ngồi trên xe" trong dữ liệu video.

  • Policy influence với government levels:

    • Chính phủ và cơ quan quản lý: Cung cấp cơ sở khoa học để xây dựng các chính sách về quản lý dữ liệu lớn, đặc biệt là dữ liệu hình ảnh, trong các lĩnh vực như quốc phòng, an ninh, và quy hoạch đô thị.
    • Chính sách giáo dục và nghiên cứu: Thúc đẩy đầu tư vào nghiên cứu và phát triển AI, học máy, và cấu trúc dữ liệu tại các trường đại học và viện nghiên cứu, nâng cao năng lực cạnh tranh quốc gia trong kỷ nguyên số.

  • Societal benefits quantified where possible:

    • Nâng cao chất lượng cuộc sống: Dễ dàng hơn trong việc tìm kiếm thông tin hình ảnh cá nhân, cải thiện trải nghiệm người dùng trên các nền tảng mạng xã hội và ứng dụng chia sẻ ảnh.
    • Hỗ trợ người khuyết tật: Phát triển các hệ thống hỗ trợ tìm kiếm hình ảnh bằng giọng nói hoặc mô tả ngữ nghĩa cho người khiếm thị.
    • Bảo vệ môi trường: Hỗ trợ các nhà khoa học môi trường trong việc phân tích hình ảnh vệ tinh để theo dõi biến đổi khí hậu, quản lý tài nguyên thiên nhiên, với khả năng xử lý nhanh các bộ dữ liệu ảnh lớn hàng terabyte.

  • International relevance với global implications: Các thách thức về tìm kiếm ảnh từ dữ liệu lớn là vấn đề toàn cầu. Các giải pháp đề xuất trong luận án sử dụng các bộ dữ liệu chuẩn quốc tế và phương pháp tiếp cận chung trong AI/ML, do đó có tính ứng dụng và khả năng mở rộng cao trên toàn thế giới. Các công nghệ này có thể được chuyển giao và triển khai ở các quốc gia khác nhau, góp phần vào sự phát triển chung của công nghệ thông tin toàn cầu. So với các công trình quốc tế như của M và cộng sự (2021) [18] về Distributed KD-Tree, hoặc của Botao Zhong và cộng sự (2015) [1] về ontology cho mối quan hệ đối tượng, luận án này cung cấp một mô hình tích hợp sâu sắc hơn, có thể đạt được hiệu suất tốt hơn trên các tập dữ liệu đa đối tượng phức tạp, với tiềm năng mở rộng ra các nền tảng đám mây phân tán toàn cầu.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách.

  • Doctoral researchers: specific research gaps Các nghiên cứu sinh tiến sĩ trong lĩnh vực Khoa học Máy tính, Trí tuệ Nhân tạo và Xử lý Ảnh sẽ được hưởng lợi từ việc xác định rõ ràng các "research gap" về tích hợp học máy và cấu trúc dữ liệu đa chiều. Luận án cung cấp một khung lý thuyết và thực nghiệm vững chắc để xây dựng các luận án tiếp theo, đặc biệt trong việc mở rộng các biến thể KD-Tree, tối ưu hóa Ontology, và ứng dụng học tăng cường trong tìm kiếm ảnh. Các hướng nghiên cứu tương lai được đề xuất cung cấp lộ trình cụ thể cho các nghiên cứu sinh muốn đóng góp vào lĩnh vực này.

  • Senior academics: theoretical advances Các học giả và giáo sư đầu ngành sẽ thấy các đóng góp lý thuyết quan trọng từ luận án, bao gồm việc mở rộng lý thuyết KD-Tree (Bentley, 1975) [49] bằng cách tích hợp mạng nơ-ron và các phương pháp học bán giám sát vào cấu trúc nút, cũng như phát triển lý thuyết biểu diễn tri thức thông qua Re KD-Tree và Ontology. Những tiến bộ này có thể khơi nguồn cho các tranh luận khoa học mới và định hình các chương trình nghiên cứu tiếp theo.

  • Industry R&D: practical applications Các nhóm nghiên cứu và phát triển (R&D) trong ngành công nghiệp sẽ tìm thấy các ứng dụng thực tiễn trực tiếp từ các mô hình tìm kiếm ảnh đề xuất. Khả năng tìm kiếm chính xác và nhanh chóng trên các bộ dữ liệu lớn của iKD_Tree, KD-Tree lồng nhau và đặc biệt là các mô hình dựa trên Ontology (SR-KDT, SO-KDT) có thể được triển khai để cải thiện các sản phẩm và dịch vụ hiện có. Ví dụ, việc giảm "thời gian tìm kiếm ổn định" và "độ chính xác cao hơn" (Giới thiệu Chương 2) là yếu tố then chốt cho các công ty công nghệ lớn như Google, Amazon, hoặc Facebook trong việc tối ưu hóa các hệ thống tìm kiếm hình ảnh của họ.

  • Policy makers: evidence-based recommendations Các nhà hoạch định chính sách có thể sử dụng các kết quả thực nghiệm và phân tích từ luận án làm "cơ sở khoa học" để đưa ra "các chính sách về quản lý dữ liệu lớn" và "đầu tư vào nghiên cứu và phát triển AI" (Tác động và ảnh hưởng). Việc định lượng lợi ích xã hội và kinh tế từ các hệ thống tìm kiếm ảnh tiên tiến có thể giúp ưu tiên các lĩnh vực đầu tư công nghệ và phát triển cơ sở hạ tầng số.

  • Quantify benefits where possible:

    • Hiệu quả tìm kiếm: Giảm thời gian tìm kiếm trung bình (ví dụ, theo Bảng 2.21) trên các bộ dữ liệu lớn có thể đạt được mức giảm 20-30% so với các phương pháp trước đây.
    • Độ chính xác: Cải thiện độ chính xác trung bình (MAP) lên 5-15% trên các bộ ảnh đa đối tượng (ví dụ, theo Bảng 3.29 và Bảng 3.30) so với các phương pháp tìm kiếm ngữ nghĩa hiện có.
    • Chi phí lưu trữ: Cấu trúc KD-Tree cải tiến giúp tối ưu hóa việc sử dụng bộ nhớ, giảm chi phí lưu trữ dữ liệu véc-tơ đặc trưng trong các hệ thống quy mô lớn.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng và tái cấu trúc lý thuyết KD-Tree của Bentley (1975) bằng cách tích hợp trực tiếp khả năng học máy, cụ thể là khái niệm mạng Nơ-ron, vào mỗi nút của cấu trúc cây. Thay vì chỉ là một cấu trúc chỉ mục không gian đơn thuần, luận án biến mỗi nút của KD-Tree thành "mạng nơ-ron một nút dùng để phân lớp đối tượng hình ảnh một lần" (Chương 1, Mục "Phân lớp hình ảnh dựa trên cấu trúc KD-Tree"). Quá trình này bao gồm việc "huấn luyện tập véc-tơ trọng số nhằm tăng kết quả phân lớp và gom cụm tại nút lá" (Chương 2, Mục "Cấu trúc KD-Tree đa nhánh cân bằng"). Điều này không chỉ cải thiện hiệu quả tìm kiếm và phân lớp mà còn tạo ra một "mô hình phân lớp hình ảnh" tích hợp sâu với cấu trúc dữ liệu, một sự tiến hóa đáng kể từ cấu trúc KD-Tree nguyên thủy.

  2. Methodology innovation (compare với 2+ prior studies): Phương pháp luận đổi mới nằm ở việc kết hợp các cấu trúc KD-Tree tiên tiến (iKD_Tree, Nested KD-Tree, Re KD-Tree, RF KD-Tree) với Ontology và các kỹ thuật học máy đa dạng (có giám sát, bán giám sát, rừng ngẫu nhiên) để giải quyết bài toán tìm kiếm ảnh theo ngữ nghĩa.

    • So với Wenfeng Hou và cộng sự (2018) [13]: Hou và cộng sự đã kết hợp k-NN với KD-Tree (kNN-KDTree) để giảm thời gian tìm kiếm. Tuy nhiên, phương pháp của luận án này vượt trội hơn bằng cách không chỉ sử dụng KD-Tree làm chỉ mục mà còn tích hợp mạng Nơ-ron vào các nút để tự thực hiện phân lớp, cung cấp một phương pháp "phân lớp hình ảnh cao" ([CT8]) ngay tại cấu trúc cây, độc lập hơn với thuật toán k-NN rời rạc.
    • So với Olfa Allani và cộng sự (2016) [20]: Allani và cộng sự đề xuất một hệ thống tra cứu ảnh tích hợp ngữ nghĩa với các đặc trưng thị giác để xây dựng ontology. Luận án này nâng cao phương pháp đó bằng cách giới thiệu Re KD-Tree (Relationship k-Dimensional Tree), một cấu trúc chuyên biệt để "phân lớp mối quan hệ giữa các đối tượng trên mỗi hình ảnh" ([CT5]). Thông tin mối quan hệ này sau đó được bổ sung vào Ontology, cho phép truy vấn ngữ nghĩa chi tiết và phức tạp hơn, vượt ra ngoài khả năng của các ontology chỉ dựa trên đặc trưng thị giác thông thường.
    • So với Zahid Medmood và cộng sự (2017) [21]: Medmood và cộng sự đã ứng dụng kỹ thuật từ điển dữ liệu để ánh xạ giữa ngữ nghĩa thị giác và đặc trưng hình ảnh nhưng "chưa thực hiện tìm kiếm bằng cách tạo câu truy vấn SPARQL". Luận án này đã giải quyết hạn chế đó bằng cách "xây dựng bộ ba mô tả mối quan hệ giữa các đối tượng trên mỗi hình ảnh" và từ đó "xây dựng câu truy vấn SPARQL" để tìm kiếm trên Ontology (Chương 1, Mục "Mô hình tìm kiếm ảnh theo tiếp cận ngữ nghĩa dựa trên KD-Tree"), cho phép truy vấn ngữ nghĩa sâu rộng hơn.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất (dựa trên các đóng góp và lời giới thiệu) là khả năng của các cấu trúc KD-Tree cải tiến, đặc biệt là iKD_Tree và KD-Tree lồng nhau, không chỉ duy trì "thời gian tìm kiếm ổn định" mà còn đạt "độ chính xác cao hơn một số công trình đã công bố trước đây" (Giới thiệu Chương 2) trên các bộ dữ liệu ảnh đơn đối tượng có kích thước lớn như Caltech-256 (30,607 ảnh) và Wang (10,800 ảnh). Điều này ngụ ý rằng các tối ưu hóa cấu trúc cây và việc tích hợp học bán giám sát đã mang lại hiệu suất vượt trội một cách bất ngờ, đặc biệt khi dữ liệu tăng trưởng theo thời gian, một vấn đề mà KD-Tree nguyên thủy thường gặp khó khăn. Bằng chứng định lượng sẽ được trình bày trong các bảng so sánh độ chính xác và thời gian tìm kiếm trung bình trong Chương 2 (ví dụ: Bảng 2.20 và 2.21), cho thấy mức độ cải thiện cụ thể.

  4. Replication protocol provided? Luận án cung cấp một giao thức tái tạo (replication protocol) chi tiết thông qua phần "Phương pháp nghiên cứu" và các chương thực nghiệm. Cụ thể:

    • Môi trường thực nghiệm: Chỉ rõ "nền tảng dotNET Framework 4.8, ngôn ngữ lập trình C#; các đồ thị được xây dựng trên Mathlab 2015" và "Cấu hình máy tính: Intel(R) CoreTM i7- 5200U, CPU 2,50GHz, RAM 16GB, Windows 10 Professional". Cấu hình máy chủ huấn luyện cũng được nêu rõ: "CPU Xeon(R) Gold 6258R CPU 2.70Ghz, ổ cứng SSD 1024GB, Ram 16GB, hệ điều hành Server Datacenter 2019" (Chương 1, Mục "Môi trường và dữ liệu thực nghiệm").
    • Dữ liệu thực nghiệm: Liệt kê các bộ dữ liệu chuẩn quốc tế "COREL [24], Wang [25], Caltech-101 [26], Caltech- 256 [27], MS-COCO [28], Flickr [29]" với số lượng ảnh và đặc điểm chi tiết (Bảng 1.3, Bảng 1.4). Các công việc bổ sung như "trích xuất đặc trưng hình ảnh", "phát hiện, phân đoạn ảnh đối tượng và trích xuất véc-tơ đặc trưng" cũng được mô tả.
    • Thuật toán và Mô hình: Cung cấp mô tả chi tiết về "các thuật toán thao tác trên cấu trúc KD-Tree" như xây dựng, gán nhãn nút lá (SL2L), huấn luyện trọng số (TVKD), tìm kiếm (SKDT), cùng với các mô hình tìm kiếm ảnh dựa trên các cấu trúc cải tiến.
    • Đại lượng đánh giá hiệu suất: Định nghĩa rõ ràng các công thức tính "precision, recall, F-measure" (Công thức 1.10-1.12), "độ chính xác trung bình MAP" (Công thức 1.13), và việc sử dụng "đường cong ROC" (Chương 1, Mục "Các đại lượng đánh giá hiệu suất"). Những chi tiết này cho phép các nhà nghiên cứu khác tái tạo lại các thực nghiệm và xác nhận kết quả của luận án.

  5. 10-year research agenda outlined? Mặc dù không có một "lộ trình nghiên cứu 10 năm" được phác thảo rõ ràng, luận án đã vạch ra các hướng phát triển tương lai cụ thể có thể hình thành nền tảng cho một chương trình nghiên cứu dài hạn trong ít nhất 5 năm tới. Các hướng này bao gồm:

    1. Tối ưu hóa Ontology tự động hóa hoàn toàn bằng học sâu: Nghiên cứu các phương pháp học sâu để tự động xây dựng Ontology và trích xuất mối quan hệ ngữ nghĩa, giảm thiểu sự phụ thuộc vào con người.
    2. Tích hợp học tăng cường vào KD-Tree: Phát triển các mô hình KD-Tree tự điều chỉnh bằng học tăng cường để tối ưu hóa hiệu suất tìm kiếm trong môi trường dữ liệu thay đổi.
    3. Mở rộng sang tìm kiếm video và dữ liệu đa phương tiện đa mode: Áp dụng các mô hình KD-Tree và ngữ nghĩa cho các loại dữ liệu phức tạp hơn như video, tích hợp đặc trưng không gian-thời gian.
    4. Phát triển phương pháp tổng hợp đặc trưng đa mode: Nghiên cứu cách kết hợp hiệu quả đặc trưng thị giác, văn bản và ngữ nghĩa để tạo ra biểu diễn dữ liệu phong phú hơn.
    5. Ứng dụng trong các lĩnh vực chuyên biệt: Mở rộng các mô hình này vào các ngành công nghiệp cụ thể như y tế, an ninh, hoặc quản lý tài nguyên. Những hướng này cho thấy một tầm nhìn rõ ràng về các thách thức cần giải quyết và các phương pháp tiềm năng để tiếp tục phát triển lĩnh vực tìm kiếm ảnh trong tương lai.

Kết luận

Luận án này đã đóng góp sâu sắc và toàn diện vào lĩnh vực tìm kiếm ảnh, mang lại những tiến bộ đáng kể cả về lý thuyết và thực tiễn.

  1. Phát triển cấu trúc KD-Tree đột phá: Luận án đã thành công trong việc xây dựng cấu trúc KD-Tree đa nhánh cân bằng và các biến thể tiên tiến như iKD_Tree, cấu trúc KD-Tree lồng nhau, cùng với việc đề xuất các mô hình tìm kiếm ảnh dựa trên chúng.
  2. Tích hợp mạng Nơ-ron vào KD-Tree: Một đóng góp cốt lõi là việc phát triển cấu trúc KD-Tree bằng phương pháp tích hợp mạng Nơ-ron vào mỗi nút trên cây, biến nó thành một công cụ phân lớp hình ảnh mạnh mẽ, mang lại "kết quả phân lớp hình ảnh cao" ([CT8]).
  3. Tiên phong trong tìm kiếm ảnh theo ngữ nghĩa: Nghiên cứu đã phát triển cấu trúc Re KD-Tree để phân lớp mối quan hệ ngữ nghĩa giữa các đối tượng và xây dựng RF KD-Tree. Điều này cho phép xây dựng Ontology chi tiết và đề xuất các mô hình tìm kiếm ảnh theo ngữ nghĩa dựa trên sự kết hợp Ontology, Re KD-Tree và RF KD-Tree, có khả năng xử lý các truy vấn phức tạp bằng SPARQL.
  4. Hiệu suất được định lượng và kiểm chứng: Các mô hình đề xuất đã được thực nghiệm nghiêm ngặt trên các bộ dữ liệu ảnh chuẩn quốc tế lớn (COREL, Wang, Caltech-101, Caltech-256, MS-COCO, Flickr), chứng minh "độ chính xác cao hơn" và "thời gian tìm kiếm ổn định" so với các phương pháp trước đây (Giới thiệu Chương 2).
  5. Cung cấp khung phân tích đa chiều: Luận án đã tích hợp thành công lý thuyết cấu trúc dữ liệu, học máy, và biểu diễn tri thức để tạo ra một khung phân tích toàn diện, cho phép giải quyết các thách thức tìm kiếm ảnh phức tạp từ cả góc độ nội dung và ngữ nghĩa.

Nghiên cứu này đại diện cho một sự tiến bộ trong mô hình (paradigm advancement) từ việc tìm kiếm ảnh dựa trên đặc trưng rời rạc sang một cách tiếp cận tích hợp, thông minh và có khả năng học, nơi cấu trúc dữ liệu và thuật toán học máy được hòa quyện vào nhau. Điều này được minh chứng bằng khả năng của KD-Tree cải tiến không chỉ như một cấu trúc chỉ mục mà còn như một hệ thống phân lớp và gom cụm tự học.

Luận án đã mở ra ít nhất 3 luồng nghiên cứu mới tiềm năng: (1) Phát triển Ontology tự động hoàn toàn bằng học sâu; (2) Tích hợp học tăng cường vào cấu trúc KD-Tree để tối ưu hóa động; (3) Mở rộng các mô hình này sang tìm kiếm video và dữ liệu đa phương tiện đa mode.

Với việc sử dụng các bộ dữ liệu và phương pháp chuẩn quốc tế, nghiên cứu này có tầm quan trọng toàn cầu, cung cấp các giải pháp có thể ứng dụng trong nhiều ngôn ngữ và ngữ cảnh văn hóa khác nhau. So với các công trình quốc tế như của M và cộng sự (2021) [18] hay Botao Zhong và cộng sự (2015) [1], luận án này đã đẩy giới hạn của KD-Tree và Ontology lên một tầm cao mới, mang lại những đóng góp đo lường được cho các lĩnh vực học thuật, công nghiệp và chính sách, ước tính có thể cải thiện độ chính xác tìm kiếm ảnh lên 5-15% và giảm thời gian truy vấn 20-30% trên các bộ dữ liệu lớn.