Luận văn Thạc sĩ: Kỹ thuật học sâu cho bài toán theo vết đa đối tượng

Trong bối cảnh phát triển vượt bậc của thị giác máy tính, việc phát hiện và tái định danh đối tượng đã đạt được nhiều thành tựu quan trọng, tạo nền tảng cho các hệ thống theo dõi đa đối tượng tiên tiến. Các hệ thống này đóng vai trò thiết yếu trong nhiều ứng dụng thực tiễn như giám sát an ninh, quản lý giao thông và robot hỗ trợ. Tuy nhiên, thách thức lớn vẫn tồn tại là làm thế nào để tích hợp hiệu quả hai nhiệm vụ này vào một khung duy nhất, đảm bảo tốc độ và độ chính xác cao cho bài toán theo vết đa đối tượng, đặc biệt trong môi trường video thời gian thực. Các phương pháp hiện có thường gặp phải hạn chế về hiệu suất hoặc độ chính xác. Nghiên cứu này nhằm mục đích giải quyết những hạn chế đó bằng cách đề xuất một phương pháp học sâu mới, tăng cường khả năng theo dõi đa đối tượng một cách hiệu quả.

Các nhà nghiên cứu, kỹ sư trong lĩnh vực thị giác máy tính, học máy, trí tuệ nhân tạo, và các chuyên gia quan tâm đến hệ thống giám sát, phân tích video thời gian thực và robot tự hành.

Nghiên cứu này tập trung vào bài toán theo vết đa đối tượng (MOT), một trong những thách thức cốt lõi trong thị giác máy tính, đặc biệt là việc tích hợp hiệu quả giữa phát hiện đối tượng và tái định danh (Re-ID). Các phương pháp truyền thống thường chia thành hai bước riêng biệt, dẫn đến tốc độ xử lý chậm và không phù hợp với yêu cầu thời gian thực trên các video có tốc độ khung hình cao. Mặc dù các phương pháp one-shot đã cố gắng hợp nhất hai nhiệm vụ này, chúng thường bị giảm độ chính xác do các vấn đề như neo không phù hợp với Re-ID, tích hợp đặc trưng đa lớp chưa tối ưu và kích thước đặc trưng Re-ID. Để giải quyết những hạn chế này, luận văn đề xuất một cách tiếp cận học sâu sáng tạo, sử dụng kỹ thuật anchor-free để dự đoán tâm vật thể trên bản đồ đặc trưng độ phân giải cao, từ đó cải thiện sự căn chỉnh của các đặc trưng Re-ID. Mô hình tích hợp thêm nhánh Re-ID pixel-wise và sử dụng mạng xương sống Deep Layer Aggregation (DLA) với nhiều kết nối nhảy để xử lý hiệu quả các vật thể có tỷ lệ khác nhau. Việc áp dụng các lớp tích chập biến dạng (deformable convolution) cũng giúp mô hình thích nghi tốt hơn với sự thay đổi về hình dạng và kích thước của đối tượng, giảm thiểu các vấn đề sai lệch. Cuối cùng, nghiên cứu này còn điều tra tầm quan trọng của việc tổng hợp đặc trưng đa lớp và giảm kích thước đặc trưng Re-ID để tăng cường độ chính xác và tốc độ xử lý. Mô hình được kỳ vọng sẽ cung cấp một giải pháp hiệu quả cho việc theo dõi đa đối tượng người trong các ứng dụng thực tế như an ninh quốc phòng và giao thông vận tải, với khả năng hoạt động ở tốc độ 30 khung hình mỗi giây.