Luận án tiến sĩ: Cải tiến thuật toán xếp hạng đa tạp tra cứu ảnh

Manifold ranking xây dựng đồ thị kết nối các điểm dữ liệu dựa trên độ tương tự. Mỗi ảnh được biểu diễn như một đỉnh trong đồ thị. Các cạnh kết nối thể hiện mức độ liên quan giữa các ảnh. Trọng số cạnh được tính toán bằng similarity measure như khoảng cách Euclidean hoặc cosine. Thuật toán lan truyền điểm số từ ảnh truy vấn qua các cạnh. Quá trình lặp đi lặp lại cho đến khi hội tụ. Kết quả cuối cùng là vector điểm số phản ánh mức độ liên quan của mỗi ảnh với truy vấn.

CBIR sử dụng manifold ranking để cải thiện độ chính xác tra cứu. Hệ thống trích xuất đặc trưng thị giác từ ảnh truy vấn. Feature extraction bao gồm cả đặc trưng mức thấp và mức cao. Thuật toán xếp hạng sắp xếp kết quả theo độ tương đồng. Phương pháp này vượt trội so với tìm kiếm láng giềng gần nhất truyền thống. Manifold ranking khai thác thông tin ngữ cảnh toàn cục từ tập dữ liệu.

Chi phí tính toán cao là rào cản lớn với tập dữ liệu lớn. Việc xây dựng đồ thị đầy đủ yêu cầu O(n²) phép tính. Lưu trữ ma trận kề tiêu tốn nhiều bộ nhớ. Thời gian hội tụ của thuật toán phụ thuộc vào kích thước đồ thị. Các nghiên cứu tập trung vào tối ưu hóa hiệu suất. Phương pháp xấp xỉ và song song hóa được áp dụng để giảm độ phức tạp.

lvdc-FCM cải tiến FCM truyền thống bằng cách tích hợp ràng buộc khoảng cách. Thuật toán xác định tâm cụm tối ưu làm điểm neo. Quá trình lặp cập nhật ma trận độ thuộc và vị trí tâm cụm. Hàm mục tiêu kết hợp độ đo tương tự và ràng buộc cục bộ. Điểm neo được chọn phản ánh đặc điểm đa dạng của tập dữ liệu. Số lượng điểm neo được tối ưu hóa để cân bằng hiệu suất và độ chính xác.

Ma trận hồi quy mô tả mối quan hệ giữa điểm dữ liệu và điểm neo. Mỗi điểm dữ liệu chỉ kết nối với k điểm neo gần nhất. Trọng số hồi quy được tính toán dựa trên khoảng cách và cấu trúc cục bộ. Phương pháp tối ưu hóa ràng buộc đảm bảo tổng trọng số bằng 1. Ma trận thưa giảm đáng kể yêu cầu bộ nhớ. Cấu trúc này cho phép tính toán nhanh trong quá trình xếp hạng.

Thực nghiệm được tiến hành trên các CSDL chuẩn như Corel, Caltech. Độ chính xác trung bình (ARP) cải thiện 8-12% so với phương pháp cơ bản. Thời gian tra cứu giảm 60-70% nhờ sử dụng điểm neo. EMR-lvdc-FCM vượt trội so với các phương pháp ANN truyền thống. Kết quả ổn định với các loại đặc trưng khác nhau. Phương pháp đặc biệt hiệu quả với tập dữ liệu quy mô trung bình đến lớn.

EfficientNetB7 là kiến trúc CNN tiên tiến với cân bằng tối ưu giữa độ sâu, rộng và độ phân giải. Mạng được pre-train trên ImageNet với hàng triệu ảnh. Quá trình fine-tuning điều chỉnh mạng cho tác vụ tra cứu ảnh cụ thể. Các lớp fully connected cuối được thay thế để phù hợp với tập dữ liệu. Transfer learning giúp tận dụng kiến thức đã học. Vector đặc trưng được trích xuất từ lớp trước softmax. Kích thước vector được tối ưu hóa để cân bằng biểu diễn và hiệu suất.

Đặc trưng mức thấp bao gồm histogram màu, GLCM kết cấu, moment Hu. Đặc trưng mức cao là vector 2560 chiều từ EfficientNetB7+. Normalization chuẩn hóa các vector về cùng tỷ lệ. Phương pháp concatenation nối trực tiếp các vector đặc trưng. Trọng số kết hợp được học từ tập validation. PCA có thể được áp dụng để giảm chiều nếu cần thiết. Vector kết hợp cuối cùng mang thông tin phong phú và đa dạng.

Thực nghiệm so sánh đặc trưng đơn lẻ và kết hợp. Fusion features đạt ARP cao hơn 10-15% so với chỉ dùng CNN. Độ chính xác cải thiện đặc biệt rõ với các truy vấn phức tạp. Đặc trưng kết hợp giúp phân biệt ảnh có ngữ nghĩa tương tự nhưng chi tiết khác biệt. Thời gian trích xuất tăng nhẹ nhưng vẫn chấp nhận được. Phương pháp phù hợp với ứng dụng yêu cầu độ chính xác cao.

LDM-FCM (Local Density Maximum FCM) cải tiến lvdc-FCM cho GPU. Thuật toán chia dữ liệu thành các block xử lý độc lập. Mỗi block được gán cho một thread block trên GPU. Tính toán khoảng cách và cập nhật tâm cụm được song song hóa hoàn toàn. Shared memory được sử dụng để tăng tốc truy xuất dữ liệu. Synchronization đảm bảo tính nhất quán giữa các thread. Thuật toán đạt speedup 50-100 lần so với CPU.

Đồ thị HD-EMR xử lý vector đặc trưng 3000-5000 chiều. Tìm kiếm k-nearest neighbors được tăng tốc bằng GPU. Ma trận kề thưa được lưu trữ dạng CSR (Compressed Sparse Row). Tính toán trọng số hồi quy sử dụng kernel GPU tối ưu. Sparse matrix operations được thực hiện bằng thư viện cuSPARSE. Quá trình xếp hạng lặp được tăng tốc bằng SpMV song song. Toàn bộ pipeline chạy trên GPU giảm overhead truyền dữ liệu.

Thực nghiệm trên tập dữ liệu 1 triệu ảnh cho kết quả ấn tượng. Thời gian tra cứu trung bình dưới 100ms với GPU RTX 3090. HD-EMR đạt ARP 0.85-0.92 trên các tập dữ liệu chuẩn. Speedup so với CPU implementation đạt 80-120 lần. Hệ thống xử lý được 10.000+ truy vấn mỗi giây. Độ chính xác tương đương hoặc cao hơn phương pháp chạy trên CPU. GPU platform chứng minh tính khả thi triển khai thương mại.

Precision@K đo độ chính xác trong K kết quả đầu tiên. Công thức: P@K = (số ảnh liên quan trong K kết quả) / K. Recall@K đo tỷ lệ phủ trong K kết quả đầu. MAP tính trung bình precision tại mọi vị trí có ảnh liên quan. F1-score kết hợp precision và recall thành một chỉ số. NDCG (Normalized Discounted Cumulative Gain) xem xét thứ tự xếp hạng. Các chỉ số này được tính trên tập test độc lập.

Cross-validation 5-fold đảm bảo tính tin cậy kết quả. Baseline bao gồm ANN, manifold ranking cơ bản, deep learning thuần. So sánh với các phương pháp state-of-the-art đã công bố. Thực nghiệm trên nhiều CSDL: Corel-1K, Caltech-101, ImageNet subset. Mỗi thực nghiệm lặp lại 10 lần lấy trung bình. Độ lệch chuẩn được báo cáo để đánh giá tính ổn định. Statistical significance test xác nhận cải thiện có ý nghĩa.

Ưu điểm: độ chính xác cao, xử lý tốt dữ liệu phi tuyến, scalable với GPU. Kết hợp đặc trưng đa tầng nâng cao khả năng biểu diễn. Semi-supervised learning tận dụng dữ liệu không nhãn. Nhược điểm: yêu cầu GPU để đạt hiệu suất tối ưu. Tinh chỉnh nhiều tham số phức tạp. Chi phí huấn luyện CNN ban đầu cao. Phù hợp nhất với ứng dụng tra cứu ảnh quy mô vừa và lớn.

Kiến trúc microservices cho phép mở rộng linh hoạt từng thành phần. API RESTful cung cấp giao diện chuẩn cho ứng dụng client. Load balancing phân phối truy vấn đều trên nhiều GPU server. Caching thông minh lưu kết quả truy vấn phổ biến. Database indexing tối ưu hóa truy xuất metadata ảnh. Monitoring và logging theo dõi hiệu năng real-time. Auto-scaling điều chỉnh tài nguyên theo tải hệ thống.

Relevance feedback cho phép người dùng đánh giá kết quả tra cứu. Hệ thống học từ phản hồi để tinh chỉnh truy vấn. Active learning chọn ảnh mẫu tối ưu để người dùng đánh giá. Query expansion mở rộng truy vấn dựa trên feedback tích cực. Re-ranking sắp xếp lại kết quả theo mô hình cập nhật. Online learning cải thiện liên tục qua tương tác. Phương pháp này tăng độ chính xác 15-25% sau vài lần feedback.

Transformer-based models hứa hẹn cải thiện feature extraction. Self-supervised learning giảm phụ thuộc vào dữ liệu có nhãn. Graph neural networks mở rộng khả năng manifold ranking. Cross-modal retrieval kết hợp tìm kiếm ảnh-văn bản. Explainable AI giải thích tại sao ảnh được xếp hạng cao. Privacy-preserving techniques bảo vệ dữ liệu người dùng. Edge computing đưa CBIR lên thiết bị di động. Continuous learning thích ứng với dữ liệu mới không cần huấn luyện lại.