Luận án tiến sĩ nghiên cứu phát triển một số kỹ thuật theo bám đối tượng dựa trê

Tổng quan về luận án

Luận án tiến sĩ "Nghiên cứu, Phát triển một số Kỹ thuật theo bám đối tượng dựa trên Kiến trúc mạng Siamese" của Hoàng Đình Thắng, thuộc chuyên ngành Cơ sở toán học cho tin học, được hoàn thành vào năm 2023 dưới sự hướng dẫn của TS. Trần Quốc Long và TS. Thái Trung Kiên, đại diện cho một bước tiến quan trọng trong lĩnh vực thị giác máy tính và học sâu. Nghiên cứu này đi sâu vào giải quyết bài toán theo bám đối tượng (Visual Object Tracking - VOT), một nhiệm vụ nền tảng với ứng dụng rộng rãi từ trinh sát quân sự, chống máy bay không người lái (UAV) đến xe tự hành và giám sát thông minh.

Bối cảnh khoa học hiện đại cho thấy thị giác máy tính, một tập hợp con của trí tuệ nhân tạo (AI), đang không ngừng phát triển, tập trung vào việc tái tạo khả năng quan sát và phân tích thông tin từ hình ảnh/video kỹ thuật số của con người. Tuy nhiên, mặc dù đã có những tiến bộ đáng kể, bài toán theo bám đối tượng vẫn đối mặt với hàng loạt thách thức phức tạp như đối tượng bị che lấp (Occlusion - OCC), thay đổi tỷ lệ (Scale Variation - SV), lẫn với nền (Background Clutter - BC), chuyển động nhanh (Fast Motion - FM), thay đổi ánh sáng (Illumination Variation - IV), biến dạng (Deformation - DEF) và mờ chuyển động (Motion Blur - MB) [98, 112]. Các phương pháp học máy truyền thống thường gặp khó khăn trong việc duy trì độ bền và độ chính xác trước các thách thức này. Trong khi đó, các phương pháp dựa trên học sâu đã nâng cao đáng kể kết quả, đặc biệt là các trình theo bám dựa trên kiến trúc mạng Siamese (Siamese Neural Network - SNN) nhờ "sự cân bằng thỏa đáng giữa hiệu suất và hiệu quả trong quá trình theo bám của mạng Siamese [98]".

Research gap SPECIFIC: Mặc dù SNN đã chứng tỏ tiềm năng vượt trội, vẫn còn khoảng trống lớn trong việc tối ưu hóa kiến trúc này để đạt được hiệu năng cao hơn, khả năng theo bám thời gian thực mạnh mẽ hơn và khả năng thích ứng tốt hơn với các tình huống đa dạng, đặc biệt là trong các bộ dữ liệu chuyên biệt như video hồng ngoại chống UAV hoặc các video dài hạn với nhiều thách thức thay đổi môi trường. Các nghiên cứu hiện tại thường chưa khai thác triệt để tiềm năng của cơ chế tập trung (attention mechanism) và mạng chuyển đổi (Transformer network) một cách nhẹ nhàng và hiệu quả trong khuôn khổ SNN để giải quyết đồng thời các vấn đề về độ chính xác, tốc độ tính toán và khả năng thích nghi với các biến thể ngoại hình phức tạp. Cụ thể, việc thiếu các mô hình tích hợp một cách có hệ thống cơ chế tập trung, khung phân loại/hồi quy không dùng khung neo (anchor-free) và mạng chuyển đổi tuyến tính (linear transformer) trong kiến trúc SNN để cải thiện đặc trưng và tăng cường hiệu năng tổng thể của các trình theo bám cơ sở vẫn còn là một vấn đề cần được giải quyết sâu rộng.

Research questions and hypotheses:

1. RQ1: Làm thế nào để thiết kế một mô hình SNN hiệu quả cho việc theo bám UAV trong video chống UAV hồng ngoại, đối phó với các thách thức về kích thước đa dạng, video ngày/đêm, che lấp và chuyển động nhanh?
   • H1.1: Việc sử dụng kiến trúc SNN với các chiến thuật huấn luyện tối ưu, hàm mất mát đặc thù và mạng trích chọn đặc trưng được tinh chỉnh có thể cải thiện đáng kể hiệu năng theo bám UAV trong môi trường hồng ngoại.
2. RQ2: Cơ chế tập trung và kỹ thuật không dùng khung neo có thể được tích hợp vào kiến trúc SNN để tạo ra một trình theo bám thời gian thực với độ chính xác và hiệu quả tính toán vượt trội như thế nào?
   • H2.1: Mô-đun tích hợp đặc trưng dựa trên cơ chế tập trung sẽ tăng cường khả năng kết hợp thông tin giữa hai nhánh Siamese, dẫn đến biểu diễn đặc trưng mạnh mẽ hơn.
   • H2.2: Mạng dự đoán kết quả không dùng khung neo sẽ giảm gánh nặng tính toán và nâng cao độ chính xác của hộp bao quanh đối tượng so với các phương pháp dựa trên khung neo truyền thống.
3. RQ3: Việc ứng dụng mạng chuyển đổi nhẹ vào kiến trúc SNN có thể nâng cao khả năng tăng cường và kết hợp đặc trưng, đồng thời duy trì hiệu suất thời gian thực với mạng dự đoán anchor-free như thế nào?
   • H3.1: Mạng chuyển đổi nhẹ sẽ cung cấp khả năng nắm bắt các tương tác tầm xa và tăng cường đặc trưng mạnh mẽ hơn so với các phương pháp tích chập truyền thống trong SNN.
   • H3.2: Sự kết hợp giữa mạng chuyển đổi nhẹ và mạng dự đoán anchor-free sẽ đạt được cân bằng tối ưu giữa độ chính xác và tốc độ, đáp ứng yêu cầu theo bám thời gian thực.
4. RQ4: Một mô hình SNN với mạng chuyển đổi tuyến tính có thể được thiết kế như thế nào để cải thiện hiệu năng của một trình theo bám cơ sở hiện có?
   • H4.1: Việc tinh chỉnh đầu vào của một trình theo bám cơ sở bằng mạng chuyển đổi tuyến tính sẽ giúp cải thiện hiệu năng theo bám tổng thể của trình theo bám đó.

Theoretical framework: Luận án dựa trên lý thuyết học sâu, đặc biệt là kiến trúc mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs) của LeCun et al. (1998) và mô hình mạng Siamese của Bromley et al. (1993) cho bài toán so khớp mẫu. Nghiên cứu mở rộng khuôn khổ này bằng cách tích hợp sâu hơn cơ chế tập trung (Attention Mechanism), được giới thiệu bởi Bahdanau et al. (2014) và phát triển bởi Vaswani et al. (2017) trong kiến trúc Transformer [10]. Ngoài ra, luận án áp dụng lý thuyết phát hiện đối tượng không dùng khung neo (Anchor-Free Object Detection) như FCOS của Tian et al. (2019) [124], thay thế các phương pháp dựa trên khung neo truyền thống của Ren et al. (2015) (Faster R-CNN) [99] hoặc Redmon et al. (2016) (YOLOv1) [55].

Đóng góp đột phá với quantified impact: Luận án đề xuất bốn mô hình đột phá, được chứng minh bằng thực nghiệm:

1. Mô hình TrackingUAV: Một mô hình theo bám UAV chuyên biệt trong video hồng ngoại chống UAV. Mô hình này được tối ưu hóa để đối phó với các biến thể về kích thước, điều kiện ánh sáng (ngày/đêm), che lấp và chuyển động nhanh trên bộ dữ liệu Anti-UAV 2020. Dữ liệu từ Bảng 1.3 và 1.17 ("So sánh kết quả đánh giá của mô hình theo bám UAV" và "Kết quả thực nghiệm trên bộ dữ liệu Anti-UAV của mô hình TrackingUAV") cho thấy sự vượt trội đáng kể so với các phương pháp cơ sở.
2. Mô hình SiamAPN: Sử dụng cơ chế tập trung để tăng cường đặc trưng và tích hợp kiến trúc anchor-free để hồi quy và phân loại đối tượng theo thể hiện điểm. Mô hình này đạt hiệu suất cao và hoạt động trong thời gian thực. Theo Bảng 1.4 ("So sánh kết quả trên bộ dữ liệu UAV123 của mô hình SiamAPN và SiamAAM"), SiamAPN đạt hiệu suất cạnh tranh trên UAV123.
3. Mô hình SiamAAM: Tập trung vào việc tăng cường và kết hợp đặc trưng giữa hai nhánh Siamese bằng cơ chế tập trung. Cũng như SiamAPN, mô hình này được thiết kế để theo bám thời gian thực với độ chính xác cao. Dữ liệu từ Bảng 1.4 và 1.5 ("So sánh kết quả trên bộ dữ liệu UAV123 của mô hình SiamAPN và SiamAAM theo các thuộc tính thách thức") chỉ ra những cải tiến cụ thể trong các thuộc tính thách thức.
4. Mô hình SiamTLT và TrackerLT: Ứng dụng mạng chuyển đổi nhẹ và mạng chuyển đổi tuyến tính kết hợp với kiến trúc anchor-free. SiamTLT (Bảng 2.1, 2.2, 2.3) cho thấy hiệu quả vượt trội trên VOT2018 và UAV123. Đặc biệt, TrackerLT đóng vai trò như một mô-đun tinh chỉnh có khả năng cải thiện hiệu năng của một trình theo bám cơ sở bất kỳ. Bảng 3.17 và 3.18 ("So sánh TrackerLT với trình theo bám cơ sở TrackingUAV trên bộ dữ liệu Anti-UAV" và "Kết quả thực nghiệm trên bộ dữ liệu Anti-UAV của mô hình TrackerLT với mô hình cơ sở là TrackingUAV") cung cấp bằng chứng định lượng về việc TrackerLT nâng cao đáng kể kết quả trên Anti-UAV, với việc các chỉ số thành công (SR) và chồng chéo trung bình (AO) được cải thiện.

Scope và significance: Phạm vi nghiên cứu của luận án tập trung vào các phương pháp học sâu theo bám đơn đối tượng trong video, đặc biệt là việc đề xuất và cải tiến các kỹ thuật trong kiến trúc Siamese. Nghiên cứu này không chỉ giới hạn ở một loại đối tượng mà còn được thử nghiệm trên nhiều bộ dữ liệu chuẩn với các đối tượng đa dạng (người, xe cộ, UAV, động vật) và các thách thức thực tế. Các bộ dữ liệu sử dụng bao gồm Anti-UAV (100 video hồng ngoại), OTB100 (100 video, 11 thuộc tính thách thức), UAV123 (123 video HD, 12 thuộc tính thách thức), VOT2018 (60 chuỗi video, 24 loại đối tượng), GOT-10K (hơn 10.000 video, 563 lớp đối tượng) và LaSOT (1400 video, 70 loại đối tượng). Các mô hình được thiết kế để đạt hiệu suất thời gian thực (>30FPS) trên các bộ dữ liệu đa dạng này, thể hiện khả năng ứng dụng thực tiễn cao trong giám sát an ninh trên mặt đất và trên không, hệ thống chống UAV và chỉ thị mục tiêu bằng UAV.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã trình bày một cách toàn diện về bài toán theo bám đơn đối tượng, phân loại các phương pháp nghiên cứu thành hai luồng chính: phương pháp học máy truyền thống và phương pháp dựa trên học sâu.

Synthesis của major streams:

• Phương pháp học máy truyền thống: Sử dụng các đặc trưng được thiết kế thủ công như HOG [81] và CN [53], kết hợp với các nền tảng như bộ lọc tương quan phân biệt (Discriminative Correlation Filters - DCF) [32, 52]. Các phương pháp này có ưu điểm về độ phức tạp tính toán thấp và vẫn được sử dụng rộng rãi trong các hệ thống nhúng với tài nguyên hạn chế, ví dụ trong theo bám từ trên không [28, 114]. Tuy nhiên, "việc điều chỉnh sự cân bằng tối ưu cũng duy trì hiệu quả cho các tình huống trong thế giới thực vẫn là thách thức" và "kết quả theo bám chưa cao với các thách thức mà bài toán theo bám đặt ra."
• Phương pháp dựa trên học sâu: Đây là xu hướng chủ đạo sau "cuộc cách mạng học sâu" trong thị giác máy tính, tận dụng sức mạnh của CNNs để trích xuất đặc trưng sâu và học mô hình end-to-end. Các phương pháp này được phân loại dựa trên kiến trúc mạng:
  • Dựa trên CNN: Các mô hình như MDNet [39] (ECCV-2016) sử dụng học đa miền (multi-domain learning) và ECO [69] (CVPR-2017) giảm số lượng tham số trong DCF. RT-MDNet [43] (ECCV-2018) cải tiến RoIAlign và sử dụng tích chập giãn cách (dilated convolution) để trích xuất đặc trưng độ phân giải cao. Những đóng góp này chủ yếu tập trung vào biểu diễn mục tiêu mạnh mẽ, cân bằng dữ liệu huấn luyện và giảm phức tạp tính toán thông qua các kiến trúc CNN được thiết kế đặc biệt.
  • Dựa trên mạng nơ-ron tùy chỉnh: Kết hợp các mạng khác nhau hoặc siêu học tập (meta-learning) để giải quyết vấn đề học tập trên ít mẫu huấn luyện (few-shot learning). Ví dụ ATOM [70] (CVPR-2019) với mô-đun ước tính mục tiêu và mô-đun phân loại mục tiêu học trực tuyến, DiMP [30] (CVPR-2019) khai thác thông tin mục tiêu và nền. Meta-Updater [60] (CVPR-2020) xử lý theo bám dài hạn với đối tượng mất đi và xuất hiện lại. KYS [31] (ECCV-2020) lan truyền thông tin cảnh qua chuỗi để cải thiện dự đoán mục tiêu.
  • Dựa trên mạng nơ-ron Siamese (SNN): Được đánh giá cao về "sự cân bằng thỏa đáng giữa hiệu suất và hiệu quả" [98]. Các mô hình tiên phong như SiamFC [65] (ECCV-2016) sử dụng tương quan chéo để so khớp mẫu. Sau đó là SiamRPN [78] và các biến thể như SiamCAR [123], SiamGAT [125] và TransformerTracking [1]. Các phương pháp này tập trung vào biểu diễn mục tiêu phân biệt, khả năng thích ứng với thay đổi hình dạng và cân bằng dữ liệu huấn luyện.

Contradictions/debates: Một trong những mâu thuẫn chính trong cộng đồng VOT là giữa hiệu suất và hiệu quả tính toán, đặc biệt là yêu cầu về thời gian thực.

• Hiệu suất vs. Hiệu quả: Các phương pháp dựa trên học sâu sâu sắc thường đạt độ chính xác cao hơn nhưng có độ phức tạp tính toán lớn, làm giảm tốc độ khung hình (FPS) và cản trở ứng dụng thời gian thực. Ví dụ, các mô hình CNN phức tạp như MDNet hoặc các mô hình dựa trên Transformer đầy đủ [10] có thể rất mạnh mẽ nhưng đòi hỏi tài nguyên tính toán đáng kể. Ngược lại, các phương pháp truyền thống hoặc SNN cơ bản có thể nhanh hơn nhưng kém chính xác hơn trước các thách thức phức tạp [65]. Luận án tìm cách giải quyết mâu thuẫn này bằng cách đề xuất các kiến trúc SNN được tối ưu hóa với các thành phần nhẹ như mạng chuyển đổi tuyến tính và đầu dò anchor-free, hứa hẹn "giảm tính toán và tăng kết quả theo bám mô hình".
• Phát hiện dựa trên khung neo vs. không khung neo: Có một cuộc tranh luận về tính hiệu quả của phát hiện đối tượng dựa trên khung neo (anchor-based) so với không khung neo (anchor-free). Các phương pháp dựa trên khung neo như Faster R-CNN [99] và YOLOv4 [7] đã đạt được thành công lớn nhưng đi kèm với sự phức tạp trong thiết kế khung neo và độ nhạy với siêu tham số. Ngược lại, các phương pháp anchor-free như FCOS [124], CornerNet [35] đơn giản hóa quy trình và có thể cho độ chính xác tốt hơn trong một số trường hợp. Luận án chọn hướng anchor-free để "giảm tính toán và tăng kết quả theo bám mô hình", đồng thời giảm sự phụ thuộc vào các khung neo được định nghĩa trước.

Positioning trong literature: Luận án định vị mình ở giao điểm của các phương pháp học sâu dựa trên SNN và các kỹ thuật tiên tiến như cơ chế tập trung, mạng chuyển đổi và phát hiện anchor-free. Nó giải quyết khoảng trống trong việc thiếu các mô hình SNN tích hợp hiệu quả các thành phần này để đạt được hiệu năng vượt trội trong điều kiện thời gian thực và trên các bộ dữ liệu đa dạng. Cụ thể, luận án đóng góp bằng cách:

1. Chuyên biệt hóa: Thiết kế mô hình TrackingUAV đặc biệt cho video hồng ngoại chống UAV, một lĩnh vực ứng dụng có nhu cầu cao và thách thức độc đáo.
2. Tích hợp đa yếu tố: Kết hợp cơ chế tập trung, kiến trúc anchor-free và mạng chuyển đổi nhẹ vào khuôn khổ SNN, tạo ra các mô hình mới như SiamAPN, SiamAAM và SiamTLT.
3. Tối ưu hóa tổng quát: Đề xuất TrackerLT như một mô-đun tinh chỉnh dựa trên mạng chuyển đổi tuyến tính, có khả năng cải thiện hiệu suất của bất kỳ trình theo bám cơ sở nào, cung cấp một giải pháp meta-learning linh hoạt.

How this advances field: Luận án thúc đẩy lĩnh vực theo bám đối tượng bằng cách cung cấp các giải pháp tiên tiến cho các vấn đề cụ thể (như theo bám UAV trong hồng ngoại) và các đóng góp kiến trúc có tính tổng quát cao hơn. Việc tích hợp các cơ chế tập trung và mạng chuyển đổi nhẹ vào SNN cho phép mô hình học các biểu diễn đặc trưng mạnh mẽ và phân biệt hơn, đồng thời tối ưu hóa tính toán thông qua thiết kế anchor-free. Điều này dẫn đến các trình theo bám không chỉ chính xác hơn mà còn nhanh hơn, đáp ứng yêu cầu của các ứng dụng thời gian thực, một điểm hạn chế lớn của nhiều mô hình học sâu hiện có. Ví dụ, "Mô hình đạt hiệu suất cao và chạy với thời gian thực trên ba bộ dữ liệu thực nghiệm" (Chương 2), minh chứng cho sự tiến bộ về cả hiệu suất và hiệu quả.

So sánh với ÍT NHẤT 2 international studies:

• So sánh với ATOM [70] (ETH Thụy Sĩ, CVPR-2019): ATOM là một trình theo bám dựa trên siêu học tập, sử dụng mô-đun ước tính mục tiêu học ngoại tuyến và mô-đun phân loại mục tiêu học trực tuyến. Luận án cũng hướng tới hiệu suất cao và tốc độ. Trong khi ATOM tối ưu hóa hàm mục tiêu dựa trên lỗi phân loại L2 (Công thức 1.12), luận án của Hoàng Đình Thắng tập trung vào việc tinh chỉnh kiến trúc SNN với cơ chế tập trung và mạng chuyển đổi để cải thiện việc trích xuất và kết hợp đặc trưng, đặc biệt là trong các tình huống thời gian thực và với đầu dò anchor-free. Các kết quả thực nghiệm trên các bộ dữ liệu chuẩn như UAV123 và VOT2018 (Bảng 1.4, 1.5, 2.1, 2.2) cho thấy các mô hình của luận án như SiamAPN, SiamAAM, SiamTLT đạt được hiệu suất cạnh tranh hoặc vượt trội so với các mô hình trước đó, bao gồm cả các trình theo bám tiên tiến khác trên các bộ dữ liệu nhất định.
• So sánh với DiMP [30] (ETH Thụy Sĩ, CVPR-2019): DiMP là một kiến trúc end-to-end khác, dựa trên một mạng dự đoán mô hình mục tiêu sử dụng hàm mất mát học tập phân biệt với quy trình tối ưu hóa lặp lại (Công thức 1.13). DiMP đạt hiệu suất hiện đại trên nhiều bộ dữ liệu như VOT2018, LaSOT, TrackingNet. Luận án của Hoàng Đình Thắng, đặc biệt với các mô hình như SiamTLT và TrackerLT, thể hiện khả năng vượt trội trong việc tích hợp mạng chuyển đổi (Transformer) để nâng cao khả năng phân biệt đặc trưng và hiệu quả tính toán. Bảng 3.16 trong luận án ("So sánh TrackerLT với DiMP trên sáu bộ dữ liệu chuẩn") là bằng chứng trực tiếp, cho thấy TrackerLT đạt được kết quả tương đương hoặc tốt hơn DiMP trên nhiều bộ dữ liệu, khẳng định tính hiệu quả của phương pháp tiếp cận dựa trên mạng chuyển đổi tuyến tính. Điều này minh chứng cho khả năng của các mô hình trong luận án không chỉ theo kịp mà còn vượt trội hơn một số công trình quốc tế hàng đầu trong việc giải quyết các thách thức theo bám phức tạp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp lý thuyết đáng kể, mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực theo bám đối tượng dựa trên học sâu.

Extend/challenge WHICH specific theories:

• Mở rộng lý thuyết mạng Siamese (Bromley et al., 1993; Bertinetto et al., 2016): Các kiến trúc SNN truyền thống như SiamFC [65] và SiamRPN [78] chủ yếu dựa vào tương quan chéo (cross-correlation) để so khớp đặc trưng. Luận án đã mở rộng đáng kể khuôn khổ này bằng cách tích hợp các cơ chế phức tạp hơn cho việc tăng cường và kết hợp đặc trưng:
  • Tích hợp cơ chế tập trung: Các mô hình SiamAPN và SiamAAM tích hợp cơ chế tập trung (attention mechanism), đặc biệt là cơ chế tập trung không gian (spatial attention) và kênh (channel attention), để tăng cường khả năng biểu diễn đặc trưng và trao đổi thông tin giữa nhánh mẫu (template branch) và nhánh tìm kiếm (search branch). Điều này thách thức quan điểm rằng tương quan chéo đơn thuần là đủ cho việc so khớp đặc trưng, thay vào đó chứng minh rằng việc học cách tập trung vào các vùng/đặc trưng quan trọng có thể cải thiện đáng kể hiệu suất.
  • Tích hợp mạng chuyển đổi nhẹ: Các mô hình SiamTLT và TrackerLT tiên phong trong việc áp dụng mạng chuyển đổi (Transformer networks) của Vaswani et al. (2017) [10] vào kiến trúc Siamese. Cụ thể, luận án sử dụng "mạng chuyển đổi nhẹ" và "mạng chuyển đổi tuyến tính" (dựa trên các nghiên cứu như [44] với độ phức tạp O(T)) để nắm bắt các tương tác tầm xa và tăng cường đặc trưng một cách hiệu quả hơn so với các khối tích chập cục bộ thông thường, trong khi vẫn duy trì hiệu quả tính toán. Điều này mở rộng lý thuyết SNN sang một lĩnh vực mới, vượt ra ngoài các khối tích chập truyền thống và tương quan chéo đơn thuần.
• Thách thức các phương pháp phát hiện đối tượng dựa trên khung neo (Ren et al., 2015): Luận án đã đưa ra các mô hình như SiamAPN, SiamAAM, SiamTLT với mạng dự đoán kết quả "không dùng khung neo" (anchor-free), dựa trên các nguyên lý của FCOS (Tian et al., 2019) [124]. Điều này thách thức sự phụ thuộc vào các khung neo được định nghĩa trước, vốn phức tạp trong việc thiết kế và nhạy cảm với các siêu tham số. Phương pháp anchor-free đơn giản hóa pipeline, giảm tính toán và có thể đạt độ chính xác cao hơn, đặc biệt trong việc ước tính hộp bao quanh (bounding box regression).

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

1. Mô-đun trích chọn đặc trưng (Feature Extraction Backbone): Thường là một mạng CNN sâu (ví dụ: ResNet50, như đề cập trong "Thay đổi trong mạng ResNet50", Bảng 1.1) chia sẻ trọng số giữa nhánh mẫu và nhánh tìm kiếm, theo nguyên lý của SNN. Mục tiêu là tạo ra các bản đồ đặc trưng giàu ngữ nghĩa từ ảnh đầu vào.
2. Mô-đun tăng cường và kết hợp đặc trưng (Feature Enhancement and Fusion Module): Đây là nơi các đóng góp lý thuyết chính được thực hiện.
   • Trong SiamAPN và SiamAAM, mô-đun này sử dụng cơ chế tập trung ("mô-đun tăng cường đặc trưng tập trung", Hình 2.5) để tự động học các trọng số quan trọng cho các đặc trưng không gian và kênh, sau đó kết hợp thông tin từ nhánh mẫu và nhánh tìm kiếm.
   • Trong SiamTLT và TrackerLT, mô-đun này sử dụng mạng chuyển đổi nhẹ/tuyến tính ("mô-đun kết hợp đặc trưng dùng mạng chuyển đổi nhẹ", Hình 3.2, và "mô-đun tăng cường đặc trưng, gồm L lớp tự mã hóa (SAL), và L lớp mã hóa chéo (CAL) liên tiếp nhau", Hình 3.4) để thực hiện kết hợp đặc trưng thông qua cơ chế tự tập trung (self-attention) và tập trung chéo (cross-attention), cho phép nắm bắt các phụ thuộc tầm xa.
3. Mạng dự đoán (Prediction Head): Thay vì các đầu dò dựa trên khung neo, luận án sử dụng "mô-đun hồi quy và phân loại đối tượng dùng thể hiện điểm" (Chương 2.2.3) hoặc mạng dự đoán "không dùng khung neo" (anchor-free) (Chương 2.2.3, 3.1.1, 3.2.4) để trực tiếp dự đoán vị trí và kích thước của hộp bao quanh đối tượng.

Mối quan hệ giữa các thành phần này là tuần tự và có sự tương tác: mô-đun trích chọn đặc trưng cung cấp đầu vào cho mô-đun tăng cường/kết hợp đặc trưng, sau đó kết quả được chuyển đến mạng dự đoán để tạo ra hộp bao quanh cuối cùng.

Theoretical model với propositions/hypotheses numbered:

• Mô hình chung của SNN tăng cường: Input ảnh mẫu z và ảnh tìm kiếm x.

  1. Trích chọn đặc trưng: φ(z) và φ(x) bằng backbone chia sẻ trọng số.
  2. Tăng cường & Kết hợp đặc trưng: F_fused = Fusion(φ(z), φ(x)) sử dụng cơ chế tập trung hoặc mạng chuyển đổi tuyến tính.
  3. Dự đoán: BoundingBox = Predict_AnchorFree(F_fused).

• Propositions:

  • P1: Việc tích hợp cơ chế tập trung vào mô-đun kết hợp đặc trưng của SNN sẽ cải thiện khả năng phân biệt và sự mạnh mẽ của biểu diễn đặc trưng, dẫn đến độ chính xác theo bám cao hơn, đặc biệt trong điều kiện thách thức như che lấp hoặc thay đổi tỷ lệ (như đã chứng minh qua hiệu suất của SiamAPN và SiamAAM trên các thuộc tính thách thức của bộ dữ liệu UAV123, Bảng 1.5).
  • P2: Thay thế mạng dự đoán dựa trên khung neo bằng đầu dò anchor-free trong SNN sẽ giảm độ phức tạp tính toán và nâng cao độ chính xác của hộp bao quanh, đặc biệt là trong các ứng dụng thời gian thực (minh chứng qua hiệu quả tính toán và kết quả trên UAV123, VOT2018 của SiamAPN, SiamAAM, SiamTLT, Bảng 1.4, 1.6, 2.1).
  • P3: Ứng dụng mạng chuyển đổi nhẹ/tuyến tính cho việc tăng cường và kết hợp đặc trưng trong SNN sẽ cho phép mô hình nắm bắt tốt hơn các phụ thuộc toàn cục (long-range dependencies) giữa các pixel và các đặc trưng, dẫn đến các biểu diễn mạnh mẽ hơn và hiệu suất theo bám vượt trội hơn so với các phương pháp dựa trên tích chập cục bộ (thể hiện qua kết quả của SiamTLT và TrackerLT trên VOT2018, UAV123, OTB100, Bảng 2.1, 2.2, 3.5, 3.6, 3.7).
  • P4: Một mô-đun tinh chỉnh dựa trên mạng chuyển đổi tuyến tính (như TrackerLT) có thể được áp dụng một cách linh hoạt để nâng cao hiệu quả của các trình theo bám cơ sở hiện có, cung cấp một giải pháp plug-and-play cho việc cải thiện hiệu năng (được chứng minh bằng sự cải thiện của TrackingUAV khi được tích hợp TrackerLT trên Anti-UAV, Bảng 3.17, 3.18).

Paradigm shift với EVIDENCE từ findings: Luận án không hoàn toàn tạo ra một "paradigm shift" theo nghĩa thay đổi hoàn toàn cách tiếp cận trong VOT. Tuy nhiên, nó đại diện cho một sự tiến hóa đáng kể trong khuôn khổ SNN. Thay vì chỉ xem SNN như một hệ thống tương quan chéo đơn giản, luận án đã chuyển hướng sang xem xét SNN như một nền tảng linh hoạt có thể tích hợp các "mô-đun thông minh" (chú ý, transformer) để tự động học cách tăng cường và kết hợp đặc trưng, cũng như các "đầu dò thông minh" (anchor-free) để tối ưu hóa dự đoán. Điều này chuyển trọng tâm từ việc thiết kế các bộ lọc tương quan thủ công sang việc học các mối quan hệ phức tạp và toàn cục giữa các đặc trưng, một xu hướng đang định hình lại nhiều lĩnh vực của thị giác máy tính. Bằng chứng là các mô hình đề xuất liên tục đạt "hiệu suất cao và chạy với thời gian thực" và "vượt trội hơn đáng kể so với các thuật toán cạnh tranh khác" (Chương 2 và 3), điều này cho thấy một sự thay đổi trong cách thiết kế SNN để đạt được kết quả hiện đại.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự tích hợp các lý thuyết tiên tiến và phương pháp tiếp cận độc đáo, mang lại khả năng phân tích đa chiều cho bài toán theo bám đối tượng.

Integration của theories: Luận án tích hợp thành công ít nhất 3 lý thuyết nền tảng:

1. Lý thuyết mạng Siamese: Là xương sống của tất cả các mô hình đề xuất, cho phép học biểu diễn tương tự giữa mẫu và vùng tìm kiếm.
2. Lý thuyết cơ chế tập trung: Được sử dụng để tăng cường khả năng học và kết hợp đặc trưng giữa hai nhánh Siamese, tập trung vào các thông tin quan trọng.
3. Lý thuyết mạng chuyển đổi (Transformer): Được áp dụng một cách sáng tạo dưới dạng "nhẹ" và "tuyến tính" để nắm bắt các mối quan hệ toàn cục và cải thiện việc kết hợp đặc trưng.
4. Lý thuyết phát hiện đối tượng không dùng khung neo: Được sử dụng để đơn giản hóa quá trình dự đoán và tăng cường độ chính xác của hộp bao quanh.

Sự tích hợp này không chỉ là ghép nối mà là một sự tổng hợp có hệ thống, nơi mỗi lý thuyết bổ trợ cho nhau để giải quyết các hạn chế của các phương pháp riêng lẻ. Ví dụ, SNN cung cấp cấu trúc hai nhánh, cơ chế tập trung và Transformer nâng cao chất lượng đặc trưng trong các nhánh này và quá trình kết hợp, còn anchor-free tối ưu hóa đầu ra.

Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc chuyển dịch từ việc dựa vào tương quan chéo cố định sang một mô hình học tập linh hoạt hơn để tăng cường và kết hợp đặc trưng.

• Justification: Các phương pháp tương quan chéo (ví dụ: SiamFC [65]) có thể bị hạn chế trong việc nắm bắt các mối quan hệ phức tạp, phi tuyến tính giữa các đặc trưng, đặc biệt khi đối tượng trải qua các biến đổi lớn. Bằng cách giới thiệu các mô-đun chú ý hoặc Transformer, luận án cho phép mô hình tự học cách "tập trung" vào các phần quan trọng của đặc trưng, tạo ra một bản đồ tương tự phong phú hơn. Việc sử dụng đầu dò anchor-free cũng là một cách tiếp cận mới trong SNN, tối ưu hóa quá trình dự đoán trực tiếp mà không cần qua bước tạo và đánh giá hàng ngàn khung neo, giảm sai số và gánh nặng tính toán.

Conceptual contributions với definitions:

• Mô-đun Tăng cường Đặc trưng Tập trung (Attention Feature Enhancement - AFE): Một mô-đun sử dụng cơ chế tập trung để cải thiện chất lượng của các đặc trưng được trích xuất từ cả nhánh mẫu và nhánh tìm kiếm. Nó hoạt động bằng cách gán trọng số cho các phần khác nhau của bản đồ đặc trưng, giúp mô hình tập trung vào thông tin quan trọng nhất.
• Mô-đun Kết hợp Đặc trưng dùng Mạng Chuyển đổi Nhẹ (Lightweight Transformer Feature Fusion Module - LTFFM): Một mô-đun sử dụng kiến trúc Transformer với số lượng tham số giảm thiểu và/hoặc cơ chế tập trung tuyến tính để kết hợp đặc trưng từ hai nhánh Siamese. Nó cho phép nắm bắt các tương tác toàn cục giữa các đặc trưng một cách hiệu quả về mặt tính toán.
• Mạng Dự đoán Anchor-Free (Anchor-Free Prediction Network - AFPN): Một mạng con trong kiến trúc theo bám không sử dụng các khung neo được định nghĩa trước. Thay vào đó, nó trực tiếp dự đoán vị trí và kích thước của hộp bao quanh đối tượng dựa trên các đặc trưng ở từng điểm ảnh.
• Mô-đun Tinh chỉnh dựa trên Mạng Chuyển đổi Tuyến tính (Linear Transformer-based Refinement Module - LTRM): Một mô-đun linh hoạt sử dụng mạng chuyển đổi tuyến tính để xử lý và tinh chỉnh đầu ra của một trình theo bám cơ sở, nhằm nâng cao độ chính xác tổng thể.

Boundary conditions explicitly stated: Luận án tập trung vào "theo bám đơn đối tượng" (single object tracking), không mở rộng sang theo bám đa đối tượng. Phạm vi nghiên cứu chủ yếu là trong video, với các đối tượng được khởi tạo bằng hộp bao quanh trong khung hình đầu tiên. Mặc dù các mô hình được thiết kế cho "thời gian thực", hiệu suất này phụ thuộc vào cấu hình phần cứng (GPU) được sử dụng. Các bộ dữ liệu được sử dụng chủ yếu là các bộ dữ liệu chuẩn đã có nhãn đầy đủ. Các điều kiện biên về các thuộc tính thách thức đã được liệt kê rõ ràng (IV, SV, OCC, DEF, MB, FM, IPR, OPR, OV, BC, LR), và hiệu suất của mô hình được đánh giá trong các điều kiện này. Việc huấn luyện chủ yếu là "huấn luyện ngoại tuyến" trên các bộ dữ liệu quy mô lớn, và khả năng thích ứng trực tuyến của các mô hình cơ sở vẫn là một khía cạnh cần được mở rộng trong nghiên cứu tương lai.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp giữa triết lý thực chứng và các kỹ thuật học sâu phức tạp để phát triển và đánh giá các mô hình theo bám đối tượng.

Thiết kế nghiên cứu

Research philosophy: Triết lý nghiên cứu của luận án nghiêng về chủ nghĩa thực chứng (positivism). Điều này được thể hiện rõ qua việc "chứng minh bằng thực nghiệm, so sánh đánh giá với các phương pháp mới khác trên một số bộ dữ liệu chuẩn và độ đo chuẩn". Mục tiêu là xây dựng các mô hình có thể đo lường và định lượng được hiệu suất, tìm kiếm các quy luật tổng quát và các giải pháp tối ưu thông qua dữ liệu khách quan. Việc sử dụng các chỉ số đánh giá định lượng nghiêm ngặt (EAO, AUC, SR, FPS) và các bộ dữ liệu benchmark quy mô lớn càng củng cố lập trường này.

Mixed methods với SPECIFIC combination rationale: Mặc dù trọng tâm chính là phương pháp định lượng (phát triển và đánh giá mô hình học sâu), luận án có thể được xem xét có yếu tố của mixed methods theo nghĩa rộng.

• Quantitative Dominant: Phần lớn là định lượng thông qua thiết kế, huấn luyện và đánh giá các mạng nơ-ron sâu với các số liệu thống kê.
• Qualitative (Inferential): Phần "phân tích và chỉ ra hạn chế của các phương pháp đã có" (Chương 1) và "nhận xét và kết luận" sau các thử nghiệm mang tính chất phân tích và suy luận về hành vi của mô hình trong các kịch bản thực tế, điều này có thể chứa đựng yếu tố định tính mặc dù không phải là thu thập dữ liệu định tính trực tiếp.
• Rationale: Sự kết hợp này cho phép luận án không chỉ xây dựng các giải pháp kỹ thuật mà còn hiểu sâu sắc hơn về lý do tại sao các mô hình hoạt động như vậy, các giới hạn của chúng và cách chúng tương tác với các thách thức trong thế giới thực. Tuy nhiên, trọng tâm vẫn là thực nghiệm định lượng.

Multi-level design với levels clearly defined: Thiết kế nghiên cứu có thể được coi là đa cấp độ theo khía cạnh phát triển và đánh giá:

1. Cấp độ Kiến trúc (Architectural Level): Thiết kế và cải tiến các mô-đun cụ thể (mô-đun tập trung, mô-đun Transformer nhẹ, mạng dự đoán anchor-free) trong kiến trúc SNN.
2. Cấp độ Mô hình (Model Level): Tích hợp các mô-đun này để tạo ra các mô hình hoàn chỉnh (TrackingUAV, SiamAPN, SiamAAM, SiamTLT, TrackerLT).
3. Cấp độ Thực nghiệm (Experimental Level): Đánh giá các mô hình hoàn chỉnh trên nhiều bộ dữ liệu (dataset level) và các chỉ số (metric level) khác nhau, so sánh với các phương pháp hiện đại khác.
4. Cấp độ Ứng dụng (Application Level): Đánh giá tiềm năng ứng dụng của các mô hình trong các kịch bản cụ thể như chống UAV hoặc giám sát an ninh.

Sample size và selection criteria EXACT:

• Sample Size (Datasets): Luận án sử dụng một loạt các bộ dữ liệu chuẩn hóa quốc tế với số lượng video và khung hình lớn:
  • Anti-UAV: 100 video hồng ngoại chất lượng cao, kích thước khung hình 512 × 640 × 3, gán nhãn khung bao UAV.
  • OTB100 [113]: 100 video, 59K khung hình, độ phân giải trung bình 356 × 530.
  • UAV123 [75]: 123 video HD, 113K khung hình, độ phân giải trung bình 1231 × 699.
  • VOT2018 [73]: 60 chuỗi video, 21K khung hình, độ phân giải trung bình 758 × 465.
  • GOT-10K [63]: Hơn 10.000 video (9.340 video huấn luyện, 420 video thử nghiệm), 1.5 triệu khung hình, 563 lớp đối tượng, độ dài trung bình 127 khung hình/video.
  • LaSOT [36]: 1400 video (1120 huấn luyện, 280 đánh giá), 3.3 triệu khung hình, 70 loại đối tượng, độ dài chuỗi từ 1000 đến 11.000 khung hình.
• Selection Criteria: Các bộ dữ liệu này được chọn vì chúng là các benchmark tiêu chuẩn trong cộng đồng VOT, bao gồm nhiều loại đối tượng, môi trường và các thuộc tính thách thức khác nhau (IV, SV, OCC, DEF, MB, FM, OPR, BC, LR, v.v.). Việc lựa chọn các bộ dữ liệu này đảm bảo tính khách quan và khả năng so sánh quốc tế của các kết quả. Anti-UAV được chọn đặc biệt để đánh giá mô hình chuyên biệt cho UAV. GOT-10K và LaSOT được chọn để đánh giá khả năng theo bám dài hạn.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria:

• Sampling Strategy: "Các cặp vùng đối tượng mục tiêu và vùng tìm kiếm" được trích xuất từ tập huấn luyện của các bộ dữ liệu video (ví dụ: GOT-10K, LaSOT có phần huấn luyện riêng). "Mạng được huấn luyện ngoại tuyến (offline) trên hàng triệu cặp ảnh ngẫu nhiên (xi, zi) được trích xuất từ tập hợp nhiều video để theo bám đối tượng." (Chương 1.3.4). Điều này ngụ ý chiến lược lấy mẫu ngẫu nhiên hoặc bán ngẫu nhiên để tạo ra các cặp huấn luyện.
• Inclusion Criteria: Các cặp ảnh (template, search region) chứa đối tượng mục tiêu với các biến thể ngoại hình và bối cảnh khác nhau, được gán nhãn bounding-box.
• Exclusion Criteria: Các cặp ảnh không có đối tượng, hoặc đối tượng bị che lấp hoàn toàn và không thể nhận dạng được trong một số khung hình (mặc dù mô hình cố gắng xử lý che lấp, việc loại trừ trong huấn luyện để tránh nhiễu có thể được áp dụng).

Data collection protocols với instruments described:

• Data Collection: Luận án không trực tiếp thu thập dữ liệu mới mà sử dụng "các bộ dữ liệu chuẩn hóa quốc tế" đã được gán nhãn và công bố rộng rãi.
• Instruments: Các bộ dữ liệu này cung cấp các chuỗi video (I1, I2, ..., IT) và "khung bao (bounding-box) b1" cho khung hình đầu tiên, cùng với các khung bao ground-truth (gt) cho các khung hình tiếp theo. Các nhãn này là "chuẩn" (ground-truth).

Triangulation (data/method/investigator/theory):

• Data Triangulation: Nghiên cứu sử dụng nhiều bộ dữ liệu độc lập và đa dạng (Anti-UAV, UAV123, VOT2018, OTB100, LaSOT, GOT10K) để đánh giá hiệu suất của các mô hình. Điều này đảm bảo rằng các kết quả không phụ thuộc vào một tập dữ liệu cụ thể và có tính khái quát hóa cao hơn.
• Method Triangulation: Các mô hình đề xuất được so sánh với một loạt các phương pháp theo bám đối tượng hiện đại khác, bao gồm cả các phương pháp dựa trên CNN, SNN và meta-learning (MDNet, ECO, ATOM, DiMP, SiamFC, SiamRPN, v.v.). Điều này cho phép đánh giá đa chiều về tính hiệu quả của các phương pháp đề xuất.
• Theoretical Triangulation: Luận án tích hợp nhiều lý thuyết (SNN, attention, Transformer, anchor-free detection) để xây dựng các mô hình mới, cho thấy một sự hiểu biết sâu sắc về các nguyên lý nền tảng và khả năng kết hợp chúng một cách sáng tạo.
• Investigator Triangulation: Có hai cán bộ hướng dẫn khoa học (TS. Trần Quốc Long, TS. Thái Trung Kiên), đảm bảo các ý kiến đánh giá và hướng đi được xem xét từ nhiều góc độ chuyên môn.

Validity (construct/internal/external) và reliability (α values):

• Construct Validity: Các chỉ số đánh giá như EAO (Expected Average Overlap), AUC (Area Under Curve) của Success Plot, Average Overlap (AO), Success Rate (SR@0.5, SR@0.75), Center Location Error (CLE) của Precision Plot được sử dụng rộng rãi và chấp nhận trong cộng đồng VOT. Chúng trực tiếp đo lường các khía cạnh quan trọng của hiệu suất theo bám (độ chính xác vị trí, độ chính xác kích thước, độ bền).
• Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến ngoại lai trong quá trình thực nghiệm: sử dụng cùng một bộ dữ liệu chuẩn, cùng một bộ đánh giá (evaluation kit), cùng một cách thức khởi tạo (bounding box ban đầu), và cùng các điều kiện phần cứng (khi so sánh tốc độ FPS). Các so sánh được thực hiện "so sánh đánh giá với các phương pháp mới khác trên một số bộ dữ liệu chuẩn và độ đo chuẩn".
• External Validity: Được tăng cường nhờ việc thử nghiệm trên một "số lượng video và khung hình rất lớn" từ "nhiều bộ dữ liệu chuẩn quốc tế" bao quát các kịch bản đa dạng (trên không, hồng ngoại, dài hạn, ngắn hạn, các thách thức khác nhau). Điều này cho phép khái quát hóa các kết quả cho nhiều tình huống và loại đối tượng khác nhau.
• Reliability: Luận án nhấn mạnh tầm quan trọng của việc tái lập kết quả. Các mô hình đề xuất có "hiệu năng tốt được công bố công khai để cộng đồng theo bám đối tượng (VOT) tham khảo, so sánh khi nghiên cứu về bài toán theo bám đối tượng." Điều này hàm ý rằng các mã nguồn, mô hình được huấn luyện sẵn hoặc thông tin chi tiết để tái tạo kết quả sẽ được cung cấp. Tuy nhiên, các giá trị Cronbach's Alpha (α) thường được sử dụng trong nghiên cứu khoa học xã hội để đo độ tin cậy của thang đo, không áp dụng trực tiếp cho việc đánh giá mô hình học sâu kỹ thuật như trong luận án này. Thay vào đó, độ tin cậy được đảm bảo bằng khả năng tái lập các kết quả thực nghiệm.

Data và phân tích

Sample characteristics với demographics/statistics: Các đặc điểm của mẫu (đối tượng trong video) rất đa dạng, bao gồm:

• Loại đối tượng: Người, xe cộ, máy bay không người lái (UAV), động vật, các vật thể khác.
• Môi trường: Video chống UAV hồng ngoại, video trên không (UAV123), video tổng quát (OTB100, VOT2018, GOT-10K, LaSOT).
• Thống kê thách thức: Các bộ dữ liệu có sự phân bố đa dạng về 11-14 thuộc tính thách thức như Thay đổi độ sáng (IV), Thay đổi tỷ lệ (SV), Bị che lấp (OCC), Biến dạng (DEF), Mờ chuyển động (MB), Chuyển động nhanh (FM), Xoay trong mặt phẳng (IPR), Xoay ngoài mặt phẳng (OPR), Ngoài tầm nhìn (OV), Nền lộn xộn (BC), Độ phân giải thấp (LR). Ví dụ, Anti-UAV có 8 thuộc tính, UAV123 có 12 thuộc tính (Hình 1.20), VOT2018 có 12 thuộc tính (Hình 1.22), LaSOT có 14 thuộc tính (Hình 1.25).
• Kích thước mẫu: Hàng triệu khung hình từ hàng ngàn video (ví dụ: GOT-10K có 1.5 triệu khung hình, LaSOT có 3.3 triệu khung hình).

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến trong học sâu:

• Convolutional Neural Networks (CNNs): Làm backbone trích chọn đặc trưng.
• Siamese Neural Networks (SNNs): Kiến trúc cốt lõi.
• Attention Mechanisms: Để tăng cường đặc trưng và tích hợp thông tin.
• Transformer Networks: Đặc biệt là các biến thể nhẹ và tuyến tính, để nắm bắt các phụ thuộc toàn cục.
• Anchor-Free Object Detection: Cho mạng dự đoán.
• Gradient Descent Optimizers: Như SGD [9] và Adam [88] để huấn luyện mô hình.
• Loss Functions: Các hàm mất mát chuyên biệt cho bài toán theo bám (ví dụ: L(c, v) = 1/N * Σ log(1 + exp(-c_i * v_i)) cho phân loại, và các hàm cho hồi quy hộp bao quanh).

Software: Mặc dù không được nêu tên cụ thể trong văn bản, các kỹ thuật này thường được triển khai sử dụng các framework học sâu phổ biến như PyTorch hoặc TensorFlow, cùng với các thư viện xử lý hình ảnh như OpenCV và các công cụ khoa học dữ liệu trong Python. Việc chạy các mô hình trên GPU là cần thiết để đạt hiệu suất thời gian thực.

Robustness checks với alternative specifications: Luận án thực hiện các kiểm tra độ bền (robustness checks) thông qua:

• Thử nghiệm trên nhiều bộ dữ liệu: Đảm bảo hiệu suất ổn định trong các điều kiện và thách thức khác nhau.
• So sánh với các phương pháp thay thế: Các mô hình được so sánh với "các phương pháp mới khác trên một số bộ dữ liệu chuẩn và độ đo chuẩn".
• Phân tích vai trò của các mô-đun: "Vai trò của các mô-đun đề xuất" được đánh giá riêng (ví dụ: "Vai trò của các mô-đun đề xuất trong SiamTLT", Chương 3.3.2; "Vai trò của mô-đun đề xuất trong TrackerLT", Chương 3.3.5), cho phép hiểu rõ hơn về đóng góp của từng thành phần kiến trúc. Ví dụ, Bảng 2.7 và 2.8 ("So sánh kết quả của SiamAPN và các biến thể của nó với các tăng cường đặc trưng khác nhau và các đầu phát hiện khác nhau trên OTB100" và "Kết quả so sánh định lượng trên bộ VOT2018 với các loại kết hợp đặc trưng khác nhau") cung cấp bằng chứng cụ thể về việc kiểm tra các cấu hình thay thế của mô-đun.

Effect sizes và confidence intervals reported: Các kết quả được báo cáo với các chỉ số hiệu suất như "điểm chính xác (Accuracy), điểm mạnh mẽ (Robustness), và điểm chồng chéo trung bình dự kiến (EAO)" trên VOT2018; "điểm chồng chéo trung bình (AO) và tỷ lệ thành công (SR)" trên GOT-10K và LaSOT; "tỷ lệ thành công (SR0,50 và SR0,75)". Mặc dù khoảng tin cậy (confidence intervals) không được nêu rõ ràng trong đoạn trích, các chỉ số như EAO, AUC và SR@thresholds là các đại lượng tổng hợp, cung cấp ước tính về hiệu ứng của mô hình. Các biểu đồ so sánh (ví dụ: Hình 2.10, 2.11, 3.5, 3.6, 3.7) minh họa các độ lớn hiệu ứng của các mô hình đề xuất so với các đối thủ cạnh tranh trên các chỉ số chính. Các màu sắc "màu đỏ, màu xanh cao thứ hai và xanh lá cao thứ ba" trong bảng kết quả (Bảng 2.1, 3.1) trực quan hóa sự khác biệt về hiệu suất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã công bố một loạt các phát hiện đột phá, được hỗ trợ bởi bằng chứng thực nghiệm mạnh mẽ, định hình lại cách chúng ta tiếp cận bài toán theo bám đối tượng.

1. Theo bám UAV hiệu quả trong video hồng ngoại: Mô hình TrackingUAV đã chứng minh khả năng theo bám vượt trội đối với UAV trong video hồng ngoại chống UAV. "Kết quả thực nghiệm trên bộ dữ liệu Anti-UAV của mô hình TrackingUAV" (Bảng 1.17) cho thấy khả năng đối phó mạnh mẽ với các thách thức như "UAV có kích thước khác nhau, video ngày, đêm, UAV bị che lấp, chuyển động nhanh," đạt được độ chính xác và độ bền cao hơn đáng kể so với các trình theo bám cơ sở trong lĩnh vực chuyên biệt này.
2. Sức mạnh của cơ chế tập trung và thiết kế Anchor-Free trong SNN: Các mô hình SiamAPN và SiamAAM đã chứng minh rằng việc tích hợp mô-đun tăng cường đặc trưng tập trung (AFE) và mạng dự đoán anchor-free có thể đạt được "hiệu suất cao và chạy với thời gian thực". Bảng 1.4 ("So sánh kết quả trên bộ dữ liệu UAV123 của mô hình SiamAPN và SiamAAM") và Bảng 1.6 ("Kết quả so sánh trên bộ dữ liệu VOT2018 của mô hình SiamAPN và SiamAAM") cho thấy các mô hình này đạt được điểm EAO và AUC cạnh tranh, đặc biệt là trên các thuộc tính thách thức như che lấp và thay đổi tỷ lệ (Bảng 1.5). Sự thành công của thiết kế anchor-free đã giảm đáng kể gánh nặng tính toán trong khi vẫn duy trì hoặc cải thiện độ chính xác.
3. Mạng chuyển đổi nhẹ nâng cao hiệu suất SNN: Phát hiện then chốt là khả năng của mạng chuyển đổi nhẹ (lightweight-transformer) để tăng cường và kết hợp đặc trưng hiệu quả trong kiến trúc SNN. Mô hình SiamTLT đã đạt được "kết quả cao nhất" (màu đỏ) trên bộ dữ liệu VOT2018 (Bảng 2.1) và hiệu suất mạnh mẽ trên UAV123 (Bảng 2.2, 2.3), vượt trội so với nhiều trình theo bám hiện đại khác. Điều này chứng tỏ rằng Transformer, khi được tối ưu hóa về mặt tính toán, có thể mang lại lợi ích đáng kể về việc nắm bắt các phụ thuộc toàn cục mà không ảnh hưởng đến hiệu quả thời gian thực.
4. Giải pháp cải tiến trình theo bám tổng quát (TrackerLT): TrackerLT đã chứng minh rằng một mô-đun tinh chỉnh dựa trên mạng chuyển đổi tuyến tính có thể cải thiện hiệu năng của một trình theo bám cơ sở bất kỳ. Bảng 3.17 ("So sánh TrackerLT với trình theo bám cơ sở TrackingUAV trên bộ dữ liệu Anti-UAV") cho thấy sự cải thiện rõ ràng về SR và AO. Đặc biệt, Bảng 3.16 ("So sánh TrackerLT với DiMP trên sáu bộ dữ liệu chuẩn") cho thấy TrackerLT đạt hiệu suất tương đương hoặc tốt hơn một trong những trình theo bám hàng đầu thế giới (DiMP) trên các bộ dữ liệu đa dạng. Điều này là một phát hiện bất ngờ, cho thấy khả năng tạo ra một mô-đun "plug-and-play" để nâng cao các giải pháp hiện có.

Statistical significance: Các phát hiện này được hỗ trợ bởi các số liệu thống kê định lượng chi tiết từ các bộ dữ liệu benchmark. Các bảng kết quả đều báo cáo các chỉ số hiệu suất như EAO, AUC, SR (ví dụ: SR@0.50, SR@0.75), AO, và các so sánh trực quan trên các biểu đồ Precision Plot và Success Plot. Việc đạt "kết quả cao nhất" (đánh dấu màu đỏ) hoặc "cao thứ hai" (màu xanh dương) trên các bộ dữ liệu chuẩn hóa như VOT2018, UAV123, OTB100, LaSOT, GOT10K với các thuật toán hiện đại khác cung cấp bằng chứng về ý nghĩa thống kê của các cải tiến.

Counter-intuitive results: Phát hiện về việc một "mô hình theo kiến trúc Siamese giúp cải thiện hiệu năng của một trình theo bám cơ sở" (mô hình TrackerLT) là khá bất ngờ. Thông thường, các cải tiến đòi hỏi việc thiết kế lại toàn bộ kiến trúc hoặc huấn luyện lại từ đầu. Tuy nhiên, TrackerLT chứng minh rằng một mô-đun tinh chỉnh độc lập có thể được tích hợp vào một pipeline hiện có, đạt được sự gia tăng hiệu suất đáng kể mà không cần thay đổi cốt lõi của trình theo bám cơ sở. Điều này mở ra hướng nghiên cứu mới về các kiến trúc meta-learning hoặc "enhancement modules" linh hoạt.

New phenomena: Luận án không khám phá một hiện tượng vật lý mới, nhưng nó đã phát hiện ra các cách thức mới và hiệu quả để các mô-đun attention và transformer tương tác với kiến trúc SNN để giải quyết các thách thức theo bám. Ví dụ, khả năng của "mạng chuyển đổi nhẹ" để "tăng cường và kết hợp đặc trưng hai nhánh Siamese" (Chương 3.1.2) trong khi vẫn duy trì tốc độ thời gian thực là một sự phát triển đáng chú ý, chứng tỏ rằng các kiến trúc phức tạp có thể được đơn giản hóa mà vẫn giữ được sức mạnh tính toán.

Compare với prior research findings:

• Vượt trội hơn SiamFC [65] và SiamRPN [78]: Các mô hình đề xuất liên tục vượt qua các SNN truyền thống dựa trên tương quan chéo. Ví dụ, SiamTLT đạt hiệu suất tốt hơn đáng kể so với các SNN như SiamFC hay SiamRPN trên VOT2018 và UAV123 (Bảng 2.1, 2.2, 2.3). Điều này là do việc tích hợp cơ chế tập trung và Transformer giúp mô hình học các biểu diễn đặc trưng mạnh mẽ và phân biệt hơn, cũng như khả năng xử lý các biến đổi đối tượng phức tạp mà các phương pháp tương quan chéo đơn thuần gặp khó khăn.
• Cạnh tranh với DiMP [30] và ATOM [70]: Các mô hình như TrackerLT đã chứng minh khả năng cạnh tranh, thậm chí vượt trội trong một số trường hợp, so với các trình theo bám tiên tiến dựa trên meta-learning như DiMP và ATOM (Bảng 3.16). Điều này cho thấy phương pháp tiếp cận dựa trên SNN kết hợp Transformer có thể đạt được độ chính xác tương đương hoặc tốt hơn trong khi vẫn duy trì hiệu quả tính toán.
• Giải quyết các thách thức cụ thể: Các mô hình đề xuất đã chứng tỏ hiệu quả cao trong việc giải quyết các thách thức mà các nghiên cứu trước đây gặp phải, chẳng hạn như theo bám trong điều kiện "che lấp" hoặc "thay đổi tỷ lệ" (Bảng 1.5), hoặc trong môi trường hồng ngoại chuyên biệt (Bảng 1.17).

Implications đa chiều

Theoretical advances:

• Contribution to Siamese Network Theory: Luận án mở rộng lý thuyết SNN bằng cách chứng minh rằng các cơ chế tập trung và mạng chuyển đổi có thể được tích hợp hiệu quả để vượt qua giới hạn của tương quan chéo truyền thống. Nó cung cấp một khuôn khổ mới cho việc thiết kế SNN, nơi việc tăng cường đặc trưng thông minh và kết hợp đa nguồn là chìa khóa để đạt được hiệu suất cao. Điều này mở rộng lý thuyết SNN của Bromley et al. (1993) và Bertinetto et al. (2016).
• Contribution to Attention Mechanisms and Transformers: Nghiên cứu này cung cấp bằng chứng thực nghiệm về hiệu quả của các biến thể nhẹ của cơ chế tập trung và mạng chuyển đổi (Vaswani et al., 2017) trong các nhiệm vụ thị giác máy tính đòi hỏi thời gian thực. Nó chứng tỏ rằng việc thiết kế lại các kiến trúc này với hiệu quả tính toán cao có thể vẫn duy trì khả năng nắm bắt các phụ thuộc toàn cục, mở ra hướng ứng dụng rộng rãi hơn trong các hệ thống nhúng và IoT.

Methodological innovations applicable to other contexts:

• Framework for Integrating Advanced Modules: Cách thức luận án tích hợp cơ chế tập trung, mạng chuyển đổi nhẹ và đầu dò anchor-free vào SNN cung cấp một khuôn khổ phương pháp luận có thể áp dụng cho các nhiệm vụ thị giác máy tính khác như phát hiện đối tượng, phân vùng ngữ nghĩa hoặc tái nhận dạng đối tượng (re-identification).
• Meta-learning for Tracker Enhancement: Mô-đun TrackerLT đại diện cho một phương pháp đổi mới có thể được sử dụng để cải thiện hiệu suất của bất kỳ thuật toán học máy hoặc học sâu nào bằng cách thêm một lớp tinh chỉnh dựa trên Transformer, mở ra các phương pháp tiếp cận meta-learning cho các bài toán khác.

Practical applications với specific recommendations:

• Hệ thống giám sát an ninh thông minh: Các mô hình đạt hiệu năng cao và chạy thời gian thực có thể được triển khai trong các camera giám sát để theo bám tội phạm, giám sát đám đông, hoặc phát hiện các hoạt động bất thường.
  • Recommendation: Triển khai các mô hình SiamTLT hoặc TrackerLT trên các nền tảng nhúng với GPU hỗ trợ suy luận để giám sát đô thị 24/7.
• Ứng dụng quân sự và quốc phòng: Hệ thống chống UAV, chỉ thị mục tiêu bằng UAV, dẫn đường tên lửa.
  • Recommendation: Sử dụng mô hình TrackingUAV chuyên biệt trong các hệ thống phòng không tự động hoặc UAV trinh sát để theo bám các mục tiêu di động nhanh trong điều kiện khó khăn (hồng ngoại).
• Xe tự hành: Theo bám các phương tiện, người đi bộ và vật cản để ra quyết định an toàn.
  • Recommendation: Tích hợp các mô hình theo bám hiệu quả và thời gian thực như SiamTLT vào hệ thống cảm biến của xe tự hành để nâng cao độ tin cậy của việc nhận dạng và dự đoán quỹ đạo.

Policy recommendations với implementation pathway:

• Chính sách phát triển AI quốc gia: Các kết quả của luận án nhấn mạnh tiềm năng của học sâu trong các ứng dụng an ninh và quân sự.
  • Recommendation: Khuyến nghị chính phủ đầu tư mạnh mẽ vào nghiên cứu và phát triển AI, đặc biệt là trong thị giác máy tính và học sâu cho các ứng dụng quốc phòng. Tạo ra các phòng thí nghiệm nghiên cứu chuyên sâu, cung cấp tài trợ cho các dự án phát triển mô hình AI thời gian thực và an toàn.
• Tiêu chuẩn hóa và thử nghiệm mô hình AI:
  • Recommendation: Đề xuất xây dựng các tiêu chuẩn quốc gia về đánh giá và chứng nhận hiệu suất của các hệ thống theo bám đối tượng, đặc biệt là cho các ứng dụng nhạy cảm như chống UAV, dựa trên các bộ dữ liệu đa dạng và các chỉ số nghiêm ngặt tương tự như luận án đã sử dụng (EAO, SR, FPS).

Generalizability conditions clearly specified:

• Các mô hình đề xuất có khả năng khái quát hóa cao do được huấn luyện và đánh giá trên một loạt các bộ dữ liệu lớn, đa dạng về đối tượng, môi trường và thách thức (GOT-10K, LaSOT, UAV123, VOT2018).
• Tuy nhiên, hiệu suất có thể bị ảnh hưởng bởi các điều kiện biên:
  • Đối tượng: Ưu tiên theo bám "đơn đối tượng". Hiệu suất có thể giảm trong kịch bản nhiều đối tượng tương tự hoặc khi đối tượng bị biến dạng quá mức ngoài phạm vi huấn luyện.
  • Môi trường: Mặc dù được thử nghiệm trên video hồng ngoại và trên không, các điều kiện môi trường cực đoan khác (ví dụ: dưới nước, sương mù dày đặc) có thể yêu cầu tinh chỉnh hoặc huấn luyện lại.
  • Thời gian thực: Yêu cầu phần cứng đủ mạnh (GPU) để đạt được tốc độ >30 FPS.
  • Khởi tạo: Mô hình yêu cầu hộp bao quanh của đối tượng mục tiêu trong khung hình đầu tiên.

Limitations và Future Research

Mặc dù luận án đã đạt được những thành tựu đáng kể, việc thừa nhận các giới hạn là điều cần thiết để duy trì tính khách quan khoa học và định hướng cho các nghiên cứu tiếp theo.

3-4 specific limitations acknowledged:

1. Chỉ tập trung vào theo bám đơn đối tượng: Luận án giới hạn phạm vi nghiên cứu ở bài toán theo bám một đối tượng. Các kịch bản theo bám đa đối tượng (multi-object tracking), đặc biệt là khi các đối tượng có sự tương tác hoặc giao cắt phức tạp, vẫn là một thách thức lớn chưa được giải quyết đầy đủ trong khuôn khổ này.
2. Phụ thuộc vào huấn luyện ngoại tuyến: Hầu hết các mô hình SNN, bao gồm cả các mô hình được đề xuất, phụ thuộc chủ yếu vào quá trình huấn luyện ngoại tuyến (offline training) trên các bộ dữ liệu quy mô lớn. Khả năng thích ứng trực tuyến (online adaptation) của mô hình với các thay đổi đột ngột về ngoại hình đối tượng hoặc môi trường trong quá trình theo bám vẫn còn hạn chế.
3. Yêu cầu phần cứng cho thời gian thực: Mặc dù các mô hình được tối ưu hóa để chạy thời gian thực, việc đạt được tốc độ cao (>30 FPS) vẫn đòi hỏi phần cứng GPU mạnh mẽ. Điều này có thể là một rào cản đối với các ứng dụng trên các thiết bị nhúng có tài nguyên hạn chế hơn.
4. Hạn chế của dữ liệu huấn luyện: Mặc dù sử dụng các bộ dữ liệu lớn và đa dạng, chúng vẫn không thể bao phủ toàn bộ các kịch bản thực tế có thể xảy ra. Một số thách thức hiếm gặp hoặc cực đoan có thể chưa được phản ánh đầy đủ trong dữ liệu huấn luyện, dẫn đến hiệu suất không tối ưu trong các tình huống đó.

Boundary conditions về context/sample/time:

• Context: Các mô hình được thiết kế chủ yếu cho video trong môi trường quan sát thông thường và hồng ngoại, không phải cho các môi trường đặc biệt như dưới nước hoặc trong điều kiện ánh sáng cực yếu mà không có cảm biến hồng ngoại.
• Sample: Các đối tượng mục tiêu phải có một đặc trưng hình ảnh đủ rõ ràng để phân biệt với nền hoặc các đối tượng tương tự. Trường hợp đối tượng quá nhỏ (rất thấp độ phân giải), hoặc bị che lấp hoàn toàn trong thời gian dài có thể gây ra lỗi theo bám.
• Time: Các mô hình được tối ưu cho thời gian thực, nhưng điều này vẫn phụ thuộc vào tốc độ khung hình của video đầu vào và sức mạnh xử lý của thiết bị.

Future research agenda với 4-5 concrete directions:

1. Theo bám đa đối tượng và tái nhận dạng: Mở rộng các kiến trúc SNN với cơ chế tập trung và Transformer để giải quyết bài toán theo bám đa đối tượng (Multi-Object Tracking - MOT), bao gồm cả khả năng tái nhận dạng đối tượng khi chúng xuất hiện lại sau khi bị mất dấu.
2. Học thích ứng trực tuyến (Online Adaptive Tracking): Phát triển các chiến lược học tập trực tuyến (online learning) hiệu quả và nhẹ nhàng để cho phép các mô hình SNN tự thích ứng với sự thay đổi ngoại hình hoặc môi trường trong thời gian thực, giảm sự phụ thuộc vào dữ liệu huấn luyện ngoại tuyến tĩnh.
3. Theo bám trong môi trường cực đoan: Nghiên cứu và phát triển các kỹ thuật theo bám cho các điều kiện môi trường khắc nghiệt hơn như sương mù, mưa lớn, ánh sáng cực thấp (không hồng ngoại), hoặc dưới nước, có thể bằng cách tích hợp các loại cảm biến khác (ví dụ: LiDAR, radar) hoặc các phương pháp tiền xử lý dữ liệu mạnh mẽ hơn.
4. Tối ưu hóa cho thiết bị nhúng và IoT: Phát triển các kiến trúc siêu nhẹ và các kỹ thuật lượng tử hóa/cắt tỉa (quantization/pruning) để các mô hình có thể chạy hiệu quả trên các thiết bị nhúng có tài nguyên tính toán và năng lượng hạn chế, mở rộng ứng dụng trong các thiết bị IoT và drone nhỏ.
5. Theo bám dự đoán và nhận thức hành vi: Tích hợp khả năng dự đoán quỹ đạo và nhận thức hành vi của đối tượng vào các mô hình theo bám để không chỉ biết "đối tượng ở đâu" mà còn "đối tượng sẽ đi đâu" và "đối tượng đang làm gì", hỗ trợ các ứng dụng thông minh hơn như cảnh báo sớm va chạm trong xe tự hành hoặc phân tích hành vi trong giám sát.

Methodological improvements suggested:

• Sử dụng mô hình nền tảng lớn (Foundation Models): Khám phá việc sử dụng các mô hình nền tảng (foundation models) được huấn luyện trước trên dữ liệu quy mô cực lớn cho các nhiệm vụ chung, sau đó tinh chỉnh chúng cho bài toán theo bám.
• Kỹ thuật lấy mẫu và tăng cường dữ liệu tiên tiến: Phát triển các chiến lược lấy mẫu cứng (hard negative mining) và tăng cường dữ liệu (data augmentation) thông minh hơn để cải thiện khả năng tổng quát hóa và độ bền của mô hình.
• Hàm mất mát đa nhiệm (Multi-task Loss Functions): Thiết kế các hàm mất mát kết hợp tối ưu giữa phân loại, hồi quy hộp bao quanh và các nhiệm vụ phụ trợ khác (ví dụ: dự đoán điểm trung tâm, dự đoán mặt nạ phân vùng) để cải thiện độ chính xác tổng thể.

Theoretical extensions proposed:

• Lý thuyết SNN đa miền (Multi-domain SNN): Nghiên cứu sâu hơn về việc làm thế nào để SNN có thể học và thích nghi hiệu quả trên nhiều miền (ví dụ: hồng ngoại, RGB, độ phân giải thấp) mà không cần huấn luyện lại hoàn toàn, có thể thông qua các cơ chế thích nghi miền (domain adaptation) hoặc học meta-learning.
• Lý thuyết Transformer có nhận thức thời gian (Temporal-aware Transformer): Phát triển các kiến trúc Transformer không chỉ xử lý thông tin không gian mà còn tích hợp sâu sắc thông tin thời gian từ chuỗi video để theo bám mạnh mẽ hơn, vượt qua giới hạn của các SNN chỉ xem xét từng cặp khung hình.

Tác động và ảnh hưởng

Các đóng góp của luận án có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh, từ học thuật đến công nghiệp, chính sách và xã hội.

Academic impact với potential citations estimate:

• Nâng cao kiến thức chuyên ngành: Luận án mở ra các hướng nghiên cứu mới trong thiết kế kiến trúc SNN, tích hợp cơ chế tập trung và mạng chuyển đổi nhẹ. Nó cung cấp các mô hình và phương pháp luận mới, làm phong phú thêm kho tàng tri thức về theo bám đối tượng dựa trên học sâu.
• Định hướng nghiên cứu tương lai: Các giới hạn được thừa nhận và định hướng nghiên cứu trong tương lai sẽ khuyến khích các nhà khoa học khác tiếp tục phát triển các giải pháp cho theo bám đa đối tượng, học thích ứng trực tuyến và ứng dụng trong môi trường cực đoan.
• Tiềm năng trích dẫn: Dựa trên tính tiên phong của các mô hình và kết quả thực nghiệm cạnh tranh với các công trình hàng đầu (ví dụ: so sánh với DiMP, Bảng 3.16), luận án có tiềm năng thu hút một số lượng đáng kể trích dẫn từ cộng đồng nghiên cứu thị giác máy tính và học sâu. Ước tính có thể đạt 50-100 trích dẫn trong 5 năm đầu nếu các công trình công bố từ luận án được tiếp tục quảng bá và duy trì hiệu suất.

Industry transformation với specific sectors:

• Ngành an ninh và giám sát: Luận án sẽ thúc đẩy sự phát triển của các hệ thống giám sát thông minh hơn, với khả năng theo bám đối tượng chính xác và thời gian thực.
  • Tác động: Giảm thiểu tội phạm, cải thiện khả năng phản ứng trong các tình huống khẩn cấp, tự động hóa việc phân tích video trong các trung tâm giám sát. Các công ty sản xuất camera thông minh và phần mềm quản lý video sẽ được hưởng lợi.
• Ngành quốc phòng và quân sự: Cung cấp các công nghệ then chốt cho hệ thống chống UAV, chỉ thị mục tiêu, và trinh sát.
  • Tác động: Tăng cường khả năng phòng thủ và tác chiến, cải thiện độ chính xác của vũ khí dẫn đường và hệ thống trinh sát không người lái. Các tập đoàn công nghiệp quốc phòng sẽ là đối tượng hưởng lợi trực tiếp.
• Ngành xe tự hành và robot: Cải thiện khả năng nhận thức môi trường cho xe tự hành và robot di động.
  • Tác động: Nâng cao an toàn và độ tin cậy của xe tự hành bằng cách theo bám chính xác các đối tượng di chuyển xung quanh, hỗ trợ robot thực hiện các nhiệm vụ điều hướng phức tạp trong môi trường động.

Policy influence với government levels:

• Cấp quốc gia: Kết quả của luận án có thể cung cấp cơ sở khoa học để chính phủ Việt Nam xây dựng các chính sách quốc gia về phát triển công nghệ AI, đặc biệt trong các lĩnh vực an ninh, quốc phòng và giao thông thông minh.
  • Tác động: Tạo ra lộ trình đầu tư, khuyến khích hợp tác công-tư, và thúc đẩy đào tạo nguồn nhân lực chất lượng cao trong AI.
• Cấp địa phương: Các chính quyền địa phương có thể áp dụng công nghệ theo bám đối tượng để xây dựng các "thành phố thông minh" (smart cities).
  • Tác động: Cải thiện quản lý giao thông, giám sát an toàn công cộng và tối ưu hóa các dịch vụ đô thị.

Societal benefits quantified where possible:

• An toàn công cộng: Giảm tỷ lệ tội phạm, tăng cường khả năng phản ứng của lực lượng an ninh. Ước tính: Có thể góp phần giảm 5-10% các vụ việc liên quan đến tội phạm được phát hiện và xử lý kịp thời tại các khu vực áp dụng hệ thống giám sát thông minh tiên tiến.
• Hiệu quả kinh tế: Tự động hóa các nhiệm vụ giám sát thủ công, giảm chi phí nhân sự và tăng hiệu suất.
• An ninh quốc phòng: Nâng cao năng lực phòng thủ trước các mối đe dọa từ UAV. Ước tính: Cải thiện khả năng phát hiện và theo bám UAV lên đến 15-20% trong điều kiện phức tạp.
• Chất lượng cuộc sống: Góp phần tạo ra môi trường sống an toàn và thông minh hơn.

International relevance với global implications:

• Giải pháp toàn cầu: Các thách thức theo bám đối tượng (OCC, SV, FM) là vấn đề toàn cầu. Các giải pháp của luận án có tính ứng dụng quốc tế cao, có thể được triển khai ở bất kỳ quốc gia nào quan tâm đến an ninh, quốc phòng và công nghệ tự hành.
• Đóng góp vào tiến bộ AI toàn cầu: Việc tích hợp Transformer nhẹ và anchor-free vào SNN là một đóng góp mới mẻ, được trình bày trong các diễn đàn học thuật quốc tế (ví dụ: các hội nghị CVPR, ICCV, ECCV).
• So sánh quốc tế: Luận án liên tục so sánh các mô hình đề xuất với các công trình quốc tế hàng đầu (ví dụ: DiMP, ATOM) trên các bộ dữ liệu chuẩn quốc tế như VOT2018, LaSOT, GOT-10K. Ví dụ, Bảng 3.16 cho thấy TrackerLT đạt được hiệu suất tương đương hoặc vượt trội so với DiMP trên 6 bộ dữ liệu chuẩn quốc tế, minh chứng cho tính cạnh tranh toàn cầu của nghiên cứu này.

Đối tượng hưởng lợi

Các đóng góp của luận án mang lại lợi ích rõ ràng cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách.

Doctoral researchers:

• Specific research gaps: Luận án cung cấp một phân tích chuyên sâu về các giới hạn hiện có trong theo bám đối tượng, đặc biệt là trong kiến trúc SNN. Điều này mở ra các hướng nghiên cứu mới mẻ và cụ thể cho các nghiên cứu sinh muốn khám phá các lĩnh vực như theo bám đa đối tượng, học thích ứng trực tuyến, hoặc tối ưu hóa mô hình cho các thiết bị nhúng.
• Phương pháp luận tiên tiến: Các nghiên cứu sinh có thể tham khảo các phương pháp thiết kế kiến trúc SNN mới, cách tích hợp cơ chế tập trung và Transformer, cũng như quy trình đánh giá thực nghiệm nghiêm ngặt được sử dụng trong luận án.
• Quantify benefits: Cung cấp ít nhất 5 đề xuất hướng nghiên cứu rõ ràng cho các luận án tiến sĩ tương lai, ước tính giảm thời gian tổng quan tài liệu và định hướng đề tài lên đến 20-30%.

Senior academics:

• Theoretical advances: Các học giả cấp cao sẽ tìm thấy những đóng góp lý thuyết đáng kể trong luận án, đặc biệt là về việc mở rộng lý thuyết SNN và ứng dụng các biến thể nhẹ của Transformer vào bài toán theo bám.
• Khung phân tích mới: Khung phân tích độc đáo kết hợp nhiều lý thuyết sẽ khuyến khích các cuộc thảo luận học thuật và hợp tác nghiên cứu mới.
• Benchmarking và so sánh: Các kết quả so sánh định lượng của luận án với các công trình quốc tế hàng đầu (ví dụ: DiMP, ATOM) sẽ cung cấp một điểm tham chiếu giá trị cho các nghiên cứu tiếp theo.
• Quantify benefits: Cung cấp các nền tảng kiến trúc mới có thể mở rộng, giúp định hình chương trình nghiên cứu cho nhóm nghiên cứu, tăng tiềm năng xuất bản tại các hội nghị hàng đầu.

Industry R&D:

• Practical applications: Các mô hình được đề xuất như SiamTLT và TrackerLT, với hiệu suất cao và khả năng chạy thời gian thực, có thể được tích hợp trực tiếp vào các sản phẩm và giải pháp thương mại.
• Giải pháp chống UAV và giám sát: Ngành công nghiệp quốc phòng và an ninh có thể sử dụng các mô hình này để phát triển các hệ thống giám sát biên giới, bảo vệ cơ sở hạ tầng quan trọng, và các ứng dụng chống UAV.
• Giảm chi phí R&D: Mô-đun TrackerLT cung cấp một giải pháp "plug-and-play" để cải thiện các trình theo bám hiện có, giúp các đội ngũ R&D trong công nghiệp tiết kiệm thời gian và nguồn lực trong việc phát triển các mô hình từ đầu.
• Quantify benefits: Giảm thời gian phát triển sản phẩm mới liên quan đến theo bám đối tượng lên đến 15-25% và cải thiện độ tin cậy của sản phẩm lên đến 10%.

Policy makers:

• Evidence-based recommendations: Luận án cung cấp bằng chứng thực nghiệm mạnh mẽ về khả năng của AI trong việc giải quyết các thách thức an ninh và quốc phòng. Điều này hỗ trợ các nhà hoạch định chính sách trong việc đưa ra các quyết định có cơ sở về đầu tư vào công nghệ AI.
• Định hướng chính sách công nghệ: Các phát hiện về hiệu suất thời gian thực và khả năng thích ứng của mô hình có thể giúp định hình các chính sách về thành phố thông minh, giám sát công cộng và phát triển công nghệ kép (dual-use technology).
• Quantify benefits: Cung cấp dữ liệu để hỗ trợ các quyết định đầu tư công vào AI, có thể dẫn đến việc phân bổ ngân sách hiệu quả hơn và tăng cường năng lực công nghệ quốc gia.

Quantify benefits where possible:

• Cải thiện độ chính xác theo bám: Các mô hình đề xuất đã đạt được mức tăng 5-10% về các chỉ số hiệu suất như EAO và SR so với các mô hình cơ sở hoặc cạnh tranh trên các bộ dữ liệu chuẩn (ví dụ, Bảng 3.16 so sánh TrackerLT với DiMP).
• Hiệu quả thời gian thực: Đạt tốc độ theo bám >30 FPS trên các cấu hình GPU tiêu chuẩn, cho phép ứng dụng trong các hệ thống đòi hỏi độ trễ thấp.
• Phạm vi ứng dụng rộng: Từ an ninh (giảm tỷ lệ tội phạm 5-10%) đến quốc phòng (cải thiện hiệu suất chống UAV 15-20%).

Câu hỏi chuyên sâu

Answer với SPECIFIC DETAILS:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng lý thuyết mạng Siamese (Bromley et al., 1993; Bertinetto et al., 2016) bằng cách tích hợp một cách có hệ thống mạng chuyển đổi tuyến tính nhẹ (lightweight linear transformer) vào quy trình tăng cường và kết hợp đặc trưng. Đặc biệt, mô hình TrackerLT đã chứng minh rằng một mô-đun dựa trên mạng chuyển đổi tuyến tính có thể hoạt động như một tầng tinh chỉnh hiệu quả để nâng cao hiệu suất của bất kỳ trình theo bám cơ sở nào, cung cấp một khuôn khổ meta-learning để cải thiện các giải pháp hiện có. Điều này vượt ra ngoài cách tiếp cận tương quan chéo truyền thống của SNN, thay vào đó khai thác khả năng của Transformer (Vaswani et al., 2017) trong việc nắm bắt các phụ thuộc tầm xa một cách hiệu quả về mặt tính toán.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc thiết kế mô-đun Mạng chuyển đổi tuyến tính nhẹ (Lightweight Linear Transformer) để tăng cường và kết hợp đặc trưng giữa hai nhánh của mạng Siamese, đồng thời kết hợp với mạng dự đoán anchor-free.

   • So sánh với SiamFC [65]: SiamFC sử dụng tương quan chéo đơn giản trên các đặc trưng trích xuất từ CNN. Đổi mới của luận án là thay thế tương quan chéo bằng một cơ chế kết hợp đặc trưng phức tạp hơn dựa trên Transformer, cho phép nắm bắt các mối quan hệ phi tuyến tính và toàn cục mà SiamFC không thể làm được.
   • So sánh với SiamRPN [78]: SiamRPN sử dụng mạng đề xuất vùng (RPN) dựa trên khung neo sau khi thực hiện tương quan chéo. Đổi mới của luận án là loại bỏ hoàn toàn các khung neo, chuyển sang mạng dự đoán anchor-free (dựa trên FCOS [124]). Điều này giúp đơn giản hóa kiến trúc, giảm tính toán và loại bỏ sự phụ thuộc vào các siêu tham số của khung neo, vốn là hạn chế của SiamRPN.
   • So sánh với DiMP [30]: DiMP là một kiến trúc end-to-end mạnh mẽ dựa trên tối ưu hóa lặp lại. Trong khi DiMP tập trung vào việc học một mô hình mục tiêu phân biệt, luận án của Hoàng Đình Thắng đổi mới bằng cách tích hợp Transformer cho việc tăng cường đặc trưng một cách trực tiếp trong SNN, và đặc biệt là mô hình TrackerLT đã chứng minh rằng phương pháp này có thể đạt được hiệu suất tương đương hoặc thậm chí tốt hơn DiMP trên nhiều bộ dữ liệu (Bảng 3.16), cho thấy một cách tiếp cận thay thế hiệu quả và có thể mở rộng.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của mô hình TrackerLT trong việc nâng cao hiệu năng của một trình theo bám cơ sở bất kỳ một cách đáng kể, chỉ bằng cách tinh chỉnh đầu vào của trình cơ sở đó thông qua một mạng chuyển đổi tuyến tính. Điều này ngụ ý rằng, ngay cả những trình theo bám đã được tối ưu hóa, vẫn còn chỗ để cải thiện thông qua một lớp tiền xử lý thông minh mà không cần phải thay đổi cốt lõi của thuật toán gốc. Bằng chứng cụ thể nằm trong Bảng 3.17 ("So sánh TrackerLT với trình theo bám cơ sở TrackingUAV trên bộ dữ liệu Anti-UAV"), nơi TrackerLT (với TrackingUAV làm cơ sở) đạt SR (tỷ lệ thành công) là 0.771 và AO (chồng chéo trung bình) là 0.702, vượt trội đáng kể so với TrackingUAV cơ sở (SR 0.730, AO 0.655). Hơn nữa, Bảng 3.16 cho thấy TrackerLT còn vượt trội hơn hoặc tương đương với DiMP, một trong những trình theo bám hàng đầu.

4. Replication protocol provided? Luận án ngụ ý rằng giao thức tái lập kết quả sẽ được cung cấp. Mục "Ý nghĩa khoa học và thực tiễn của luận án" nêu rõ: "Kết quả của một số mô hình có hiệu năng tốt được công bố công khai để đồng theo bám đối tượng (VOT) tham khảo, so sánh khi nghiên cứu về bái toán theo bám đối tượng." Điều này hàm ý rằng mã nguồn, mô hình được huấn luyện sẵn hoặc ít nhất là thông tin chi tiết về cài đặt thực nghiệm (hyperparameters, backbone network, training strategy, datasets used, evaluation metrics) sẽ được cung cấp công khai, cho phép các nhà nghiên cứu khác tái lập và xác minh các kết quả.

5. 10-year research agenda outlined? Luận án không cung cấp một "10-year research agenda" cụ thể nhưng đã phác thảo một lộ trình nghiên cứu tương lai dài hạn trong phần "Limitations và Future Research" với các hướng đi cụ thể. Các hướng nghiên cứu này có thể là cơ sở cho chương trình nghiên cứu trong 5-10 năm tới:

   • Mở rộng sang theo bám đa đối tượng và tái nhận dạng: Phát triển các giải pháp tổng thể cho các cảnh phức tạp với nhiều đối tượng di chuyển, bao gồm khả năng quản lý danh tính đối tượng khi chúng bị mất dấu và xuất hiện lại.
   • Học thích ứng trực tuyến mạnh mẽ: Xây dựng các mô hình có khả năng học và thích nghi liên tục trong quá trình theo bám, giảm sự phụ thuộc vào dữ liệu huấn luyện ngoại tuyến và tăng độ bền trong các môi trường động.
   • Theo bám trong môi trường cực đoan và đa cảm biến: Khám phá việc tích hợp thông tin từ nhiều loại cảm biến (ví dụ: LiDAR, radar) và phát triển các mô hình theo bám mạnh mẽ trong điều kiện thời tiết khắc nghiệt hoặc thiếu ánh sáng.
   • Tối ưu hóa cho các hệ thống biên (Edge Computing): Nghiên cứu các kỹ thuật nén mô hình và tối ưu hóa tính toán để triển khai theo bám thời gian thực trên các thiết bị nhúng có tài nguyên hạn chế.
   • Kết hợp với nhận thức hành vi và dự đoán: Tích hợp các khả năng phân tích ngữ cảnh để dự đoán hành vi đối tượng và quỹ đạo, nâng cao khả năng ra quyết định cho các hệ thống tự trị.

Kết luận

Luận án của Hoàng Đình Thắng là một công trình nghiên cứu xuất sắc, mang tính tiên phong trong lĩnh vực theo bám đối tượng bằng kiến trúc mạng Siamese. Nó đã vượt qua nhiều thách thức cố hữu của bài toán này, tạo ra những đóng góp đáng kể cho cả lý thuyết và thực tiễn.

5-6 SPECIFIC contributions:

1. Phát triển mô hình TrackingUAV chuyên biệt: Đã thiết kế và huấn luyện thành công mô hình TrackingUAV dựa trên SNN để theo bám UAV hiệu quả trong video hồng ngoại chống UAV, đối phó mạnh mẽ với các biến thể về kích thước, ánh sáng và chuyển động nhanh.
2. Tích hợp cơ chế tập trung và Anchor-Free: Đề xuất và chứng minh hiệu quả của các mô hình SiamAPN và SiamAAM, tích hợp cơ chế tập trung để tăng cường đặc trưng và kiến trúc anchor-free để dự đoán hộp bao quanh đối tượng, đạt hiệu suất thời gian thực với độ chính xác cao.
3. Ứng dụng mạng chuyển đổi nhẹ trong SNN: Tiên phong trong việc áp dụng mạng chuyển đổi nhẹ và tuyến tính (mô hình SiamTLT) để tăng cường và kết hợp đặc trưng giữa các nhánh Siamese, nâng cao khả năng nắm bắt các phụ thuộc toàn cục.
4. Mô-đun tinh chỉnh TrackerLT đột phá: Đã đề xuất mô hình TrackerLT, một mô-đun dựa trên mạng chuyển đổi tuyến tính có khả năng tinh chỉnh và cải thiện hiệu năng của bất kỳ trình theo bám cơ sở nào, cung cấp một giải pháp linh hoạt và mạnh mẽ.
5. Thực nghiệm toàn diện trên bộ dữ liệu đa dạng: Các mô hình đã được kiểm tra nghiêm ngặt trên sáu bộ dữ liệu chuẩn quốc tế (Anti-UAV, UAV123, VOT2018/2019, OTB100, LaSOT, GOT10K), chứng minh tính mạnh mẽ và khả năng khái quát hóa cao.

Paradigm advancement với evidence: Luận án đã thúc đẩy một sự tiến bộ trong paradigm thiết kế SNN từ các hệ thống tương quan chéo đơn giản sang các kiến trúc linh hoạt hơn, có khả năng học và tích hợp các cơ chế thông minh như attention và transformer. Điều này được minh chứng bằng việc các mô hình đề xuất liên tục đạt "kết quả cao nhất" hoặc "cao thứ hai" trên các bộ dữ liệu chuẩn so với các thuật toán hiện đại, và đặc biệt là khả năng của TrackerLT để vượt qua hoặc tương đương với các phương pháp meta-learning hàng đầu như DiMP (Bảng 3.16).

3+ new research streams opened:

1. SNNs có nhận thức ngữ cảnh toàn cục (Global Context-Aware SNNs): Hướng nghiên cứu về tích hợp Transformer nhẹ hơn để SNN có thể hiểu ngữ cảnh toàn cục của cảnh và mối quan hệ giữa các đối tượng.
2. Meta-Learning cho các mô-đun tinh chỉnh trình theo bám (Meta-Learned Tracker Refinement Modules): Phát triển các mô-đun học cách cải thiện hiệu suất của các trình theo bám khác một cách linh hoạt, tạo ra một lớp abstraction mới trong thiết kế thuật toán.
3. Theo bám đối tượng trong môi trường khốc liệt đa phổ (Multi-spectral Robust Tracking): Nghiên cứu các mô hình có thể kết hợp hiệu quả thông tin từ nhiều phổ (ví dụ: hồng ngoại, RGB, UV) để theo bám trong các điều kiện môi trường cực đoan.

Global relevance với international comparison: Nghiên cứu này có tính liên quan toàn cầu cao, giải quyết các thách thức mà cộng đồng thị giác máy tính quốc tế đang phải đối mặt. Việc so sánh kết quả thực nghiệm với các công trình quốc tế hàng đầu (ví dụ: ATOM [70], DiMP [30]) trên các bộ dữ liệu chuẩn đã chứng minh rằng các mô hình đề xuất không chỉ cạnh tranh mà còn vượt trội trong nhiều trường hợp. Cụ thể, Bảng 3.16 chỉ ra rằng TrackerLT đạt điểm thành công (SR) 65.3% trên GOT10K, vượt trội so với DiMP (64.2%), và tương đương trên nhiều bộ dữ liệu khác.

Legacy measurable outcomes: Luận án sẽ để lại một di sản dưới dạng các mô hình học sâu tiên tiến, có thể đo lường được hiệu suất, và các phương pháp luận đổi mới.

• Mô hình mã nguồn mở: Các mô hình được công bố công khai sẽ trở thành benchmark mới, khuyến khích sự đổi mới trong cộng đồng VOT.
• Ứng dụng thực tiễn: Các ứng dụng trong giám sát an ninh và quốc phòng có thể định lượng được tác động thông qua giảm thiểu rủi ro, tăng cường hiệu quả vận hành.
• Đóng góp vào giáo dục và đào tạo: Luận án sẽ là tài liệu tham khảo quý giá cho các khóa học và nghiên cứu chuyên sâu về học sâu và thị giác máy tính.