Phân đoạn đối tượng (object segmentation) là kỹ thuật thị giác máy tính và học sâu nhằm gán nhãn danh mục cho từng điểm ảnh riêng lẻ trong hình ảnh kỹ thuật số, qua đó tách biệt chính xác ranh giới không gian và hình thái của từng cá thể đối tượng độc lập. Khác với các phương pháp định vị bằng khung bao chữ nhật thô sơ, phân đoạn đối tượng cung cấp mặt nạ điểm ảnh chi tiết đến từng đường viền bao quanh vật thể, tạo tiền đề cho các hệ thống thông minh hiểu sâu sắc về ngữ cảnh không gian trong môi trường thực. Bài viết này trình bày chi tiết về bản chất kỹ thuật, sự phân định với các tác vụ thị giác lân cận, các độ đo toán học chuẩn mực, các kiến trúc mô hình học sâu mang tính bước ngoặt và xu hướng ứng dụng thực tế tại Việt Nam.
Khái niệm và sự phân định với các tác vụ thị giác lân cận
Trong lộ trình phát triển của ngành xử lý ảnh và thị giác máy tính, việc hiểu nội dung hình ảnh trải qua nhiều cấp độ biểu diễn thông tin có độ phức tạp tăng dần. Để nắm bắt đúng bản chất của phân đoạn đối tượng, việc phân định rõ ranh giới với các tác vụ liên quan là điều tối quan trọng:
- Phân loại hình ảnh (image classification): Chỉ xác định sự hiện diện của một hoặc nhiều lớp đối tượng trong toàn bộ bức ảnh (ví dụ bức ảnh có chứa xe cộ hay không) mà không cung cấp thông tin về vị trí tọa độ của đối tượng trong không gian ảnh.
- Phát hiện đối tượng (object detection): Xác định vị trí của từng cá thể đối tượng thông qua một khung bao hình chữ nhật (bounding box) đi kèm nhãn phân loại và điểm số tin cậy. Mặc dù cung cấp tọa độ không gian, khung bao chữ nhật luôn chứa lẫn cả các điểm ảnh thuộc vùng nền hoặc các đối tượng xung quanh.
- Phân đoạn ngữ nghĩa (semantic segmentation): Gán nhãn cho mọi điểm ảnh trong ảnh theo các danh mục ngữ nghĩa xác định trước (ví dụ gán nhãn người, xe, đường đi, cây xanh). Tuy nhiên, phân đoạn ngữ nghĩa coi tất cả các điểm ảnh cùng một lớp là một khối thống nhất, hoàn toàn không phân biệt được hai cá thể đối tượng đứng liền kề nhau.
- Phân đoạn cá thể (instance segmentation): Đây chính là cốt lõi của bài toán phân đoạn đối tượng, vừa phát hiện từng cá thể đối tượng riêng biệt vừa dự đoán mặt nạ điểm ảnh chính xác cho từng cá thể đó, cho phép hệ thống phân biệt rõ cá thể thứ nhất và cá thể thứ hai ngay cả khi chúng thuộc cùng một lớp và đứng chồng lấn lên nhau.
- Phân đoạn toàn cảnh (panoptic segmentation): Tác vụ kết hợp toàn diện giữa phân đoạn ngữ nghĩa và phân đoạn cá thể, gán nhãn cho tất cả các điểm ảnh trong ảnh, trong đó các vùng vô định hình như bầu trời, thảm cỏ, mặt đường được gán nhãn ngữ nghĩa, còn các đối tượng đếm được như con người, phương tiện giao thông được phân tách thành các cá thể độc lập.
| Tác vụ thị giác | Mức độ chi tiết đầu ra | Phân biệt từng cá thể | Định vị ranh giới điểm ảnh | Ứng dụng điển hình |
|---|---|---|---|---|
| Phân loại ảnh | Nhãn danh mục toàn ảnh | Không hỗ trợ | Không hỗ trợ | Gắn thẻ dữ liệu ảnh tự động |
| Phát hiện đối tượng | Tọa độ khung bao chữ nhật | Có phân biệt | Không (chỉ có khung bao thô) | Giám sát an ninh, đếm phương tiện |
| Phân đoạn ngữ nghĩa | Mặt nạ điểm ảnh theo lớp | Không phân biệt cá thể cùng lớp | Có (chính xác đến từng điểm ảnh) | Phân tích viễn thám, lớp phủ bề mặt |
| Phân đoạn cá thể | Mặt nạ điểm ảnh riêng cho từng cá thể | Có phân biệt độc lập | Có (chính xác đến từng điểm ảnh) | Xe tự hành, phẫu thuật y tế, robot gắp thả |
| Phân đoạn toàn cảnh | Toàn bộ điểm ảnh của cả nền và vật thể | Có phân biệt đối tượng đếm được | Có toàn diện mọi vùng ảnh | Hiểu bối cảnh đô thị thông minh toàn diện |
Cơ sở toán học và độ đo đánh giá chất lượng phân đoạn
Để lượng hóa mức độ chính xác của mặt nạ phân đoạn dự đoán so với mặt nạ nhãn chuẩn (ground truth) do con người gán nhãn, các nhà nghiên cứu sử dụng các độ đo toán học dựa trên lý thuyết tập hợp điểm ảnh.
1. Chỉ số giao trên hội (Intersection over Union - IoU)
Chỉ số giao trên hội (còn gọi là chỉ số Jaccard) đo lường mức độ trùng khớp giữa vùng không gian điểm ảnh dự đoán và vùng không gian điểm ảnh thực tế. Công thức xác định chỉ số IoU được biểu diễn như sau:
với là tập hợp các điểm ảnh thuộc mặt nạ phân đoạn do mô hình dự đoán và là tập hợp các điểm ảnh thuộc mặt nạ chuẩn của đối tượng. Giá trị IoU dao động trong đoạn từ 0 đến 1, trong đó giá trị bằng 1 biểu thị sự trùng khớp tuyệt đối hoàn hảo giữa dự đoán và nhãn thực tế.
Khi đánh giá trên toàn bộ tập dữ liệu kiểm thử gồm nhiều danh mục đối tượng khác nhau, chỉ số IoU trung bình (mean Intersection over Union - mIoU) được tính bằng cách lấy trung bình cộng chỉ số IoU của từng lớp đối tượng riêng biệt:
với là tổng số lượng các danh mục lớp đối tượng được khảo sát và là chỉ số giao trên hội tính riêng cho lớp đối tượng thứ .
2. Hệ số tương đồng Dice (Dice Similarity Coefficient - DSC)
Trong các bài toán phân đoạn ảnh, đặc biệt là ảnh y tế, hệ số tương đồng Dice (tương đương với điểm số F1 ở cấp độ điểm ảnh) là độ đo rất phổ biến, nhấn mạnh vào sự trùng lặp vùng dương tính:
với biểu thị tổng số điểm ảnh thuộc vùng dự đoán và biểu thị tổng số điểm ảnh thuộc vùng nhãn thực tế. Hệ số này gán trọng số gấp đôi cho phần giao nhau giữa hai tập hợp.
3. Các hàm mất mát trong huấn luyện mạng nơ-ron phân đoạn
Trong quá trình tối ưu hóa các tham số của mô hình học sâu, hàm mất mát đóng vai trò kim chỉ nam điều chỉnh trọng số thông qua lan truyền ngược. Hai hàm mất mát nền tảng bao gồm:
Hàm mất mát entropy chéo nhị phân (Binary Cross-Entropy Loss):
với là tổng số điểm ảnh trong ảnh, là giá trị nhãn thực tế của điểm ảnh thứ (nhận giá trị 1 nếu thuộc đối tượng và 0 nếu thuộc vùng nền), và là xác suất dự đoán của mô hình rằng điểm ảnh thứ thuộc về đối tượng.
Hàm mất mát Dice (Dice Loss) được thiết kế đặc thù để đối phó với hiện tượng mất cân bằng dữ liệu cực đoan giữa vùng đối tượng nhỏ và vùng nền rộng lớn:
với là hệ số làm mịn dương cực nhỏ nhằm ngăn chặn hiện tượng chia cho số 0 khi cả nhãn thực tế và dự đoán đều không chứa đối tượng nào trong ảnh.
Các kiến trúc mô hình học sâu tiêu biểu
Sự bùng nổ của mạng nơ-ron tích chập (CNN) và kiến trúc Transformer đã định hình nên các mô hình phân đoạn đối tượng hiện đại:
1. Mạng tích chập hoàn toàn (FCN)
Công trình tiên phong của Long, Shelhamer và Darrell (2015) công bố tại hội nghị IEEE CVPR đã mở ra kỷ nguyên học sâu cho phân đoạn ảnh. Nhóm tác giả đề xuất thay thế toàn bộ các lớp kết nối đầy đủ (fully connected layers) ở phần cuối của mạng phân loại truyền thống bằng các lớp tích chập, cho phép mạng tiếp nhận hình ảnh đầu vào có kích thước tùy ý và tạo ra bản đồ nhiệt không gian tương ứng. Bằng cách kết hợp các tầng đặc trưng từ các độ sâu khác nhau thông qua cơ chế giải tích chập (deconvolution/transposed convolution), mô hình FCN đạt chỉ số mIoU là 62,2% trên tập dữ liệu thử thách PASCAL VOC năm 2012, vượt trội hoàn toàn so với các kỹ thuật thị giác truyền thống trước đó.
2. Kiến trúc U-Net
Được phát triển bởi Ronneberger, Fischer và Brox (2015) tại hội nghị MICCAI, kiến trúc U-Net được thiết kế ban đầu cho bài toán phân đoạn ảnh y sinh học với dữ liệu huấn luyện giới hạn. Mạng có cấu trúc hình chữ U cân đối gồm hai phần chính: nhánh co rút (contracting path / encoder) thực hiện trích xuất ngữ nghĩa cấp cao thông qua các khối tích chập và lấy mẫu giảm (pooling), đối xứng với nhánh mở rộng (expansive path / decoder) thực hiện lấy mẫu tăng để khôi phục độ phân giải không gian ban đầu. Điểm sáng tạo then chốt của U-Net là các đường kết nối tắt (skip connections) truyền trực tiếp các bản đồ đặc trưng có độ phân giải cao giàu chi tiết biên từ nhánh co rút sang nhánh mở rộng, giúp tái tạo đường viền tế bào với độ sắc nét vượt bậc. U-Net đã đoạt giải nhất tại thử thách theo dõi tế bào ISBI cell tracking challenge năm 2015 và trở thành kiến trúc nền tảng được kế thừa rộng rãi trong nhiều biến thể mạng phân đoạn hiện đại.
3. Mask R-CNN
Đối với bài toán phân đoạn cá thể, mô hình Mask R-CNN do He, Gkioxari, Dollár và Girshick (2017) công bố tại hội nghị IEEE ICCV được coi là chuẩn mực kinh điển. Kế thừa kiến trúc phát hiện hai giai đoạn Faster R-CNN, Mask R-CNN bổ sung một nhánh mạng nơ-ron tích chập nhỏ chạy song song với nhánh phân loại và hộp bao sẵn có để dự đoán mặt nạ phân đoạn nhị phân cho từng vùng đề xuất (Region of Interest - RoI). Để khắc phục sai số làm tròn số nguyên của lớp RoIPool vốn làm biến dạng ranh giới điểm ảnh, các tác giả đã phát minh ra lớp căn chỉnh RoIAlign sử dụng phép nội suy song tuyến (bilinear interpolation) để bảo toàn tuyệt đối tính liên tục về mặt không gian pixel. Mask R-CNN hoạt động hiệu quả với tốc độ xử lý khoảng 5 khung hình mỗi giây, đoạt giải thưởng bài báo xuất sắc nhất và chiến thắng toàn diện tại thử thách COCO.
4. Mô hình nền tảng Segment Anything (SAM)
Bước chuyển dịch sang mô hình nền tảng (foundation model) trong thị giác máy tính được đánh dấu bởi công trình Segment Anything của Kirillov và cs. (2023) tại hội nghị IEEE/CVF ICCV. Thay vì bị giới hạn trong một tập danh mục lớp cố định, mô hình SAM được thiết kế để giải quyết bài toán phân đoạn theo gợi ý tương tác (promptable segmentation task), trong đó người dùng hoặc hệ thống khác có thể cung cấp gợi ý dưới dạng điểm nhấn (points), hộp bao (bounding boxes) hoặc mặt nạ thô để mô hình tự động sinh ra đường bao phân đoạn tương ứng. Để đào tạo SAM, nhóm nghiên cứu đã xây dựng tập dữ liệu SA-1B khổng lồ bao gồm hơn 11 triệu hình ảnh được cấp phép bảo vệ quyền riêng tư và chứa hơn 1 tỷ mặt nạ phân đoạn chất lượng cao. Khả năng chuyển giao không cần huấn luyện lại (zero-shot transfer) của SAM đã mở ra hướng tiếp cận hoàn toàn mới, biến phân đoạn đối tượng thành một dịch vụ cơ sở hạ tầng có thể tích hợp liền mạch vào các ứng dụng thông minh phức tạp.
Tập dữ liệu chuẩn mực và thực nghiệm tại Việt Nam
Chất lượng của các thuật toán phân đoạn đối tượng phụ thuộc mật thiết vào độ quy chuẩn của các tập dữ liệu huấn luyện và kiểm thử chuẩn quốc tế:
- Microsoft COCO (Common Objects in Context): Công bố bởi Lin và cs. (2014) tại hội nghị ECCV, tập dữ liệu COCO là tiêu chuẩn vàng định hình toàn bộ các cuộc thi phát hiện và phân đoạn cá thể quốc tế. Bộ dữ liệu chứa hơn 200.000 hình ảnh được gắn nhãn đầy đủ với hơn 1,5 triệu cá thể đối tượng thuộc 80 danh mục đối tượng phổ biến trong đời sống hàng ngày, cung cấp mặt nạ đa giác chính xác bao quanh từng vật thể độc lập.
- Cityscapes: Tập dữ liệu chuyên biệt cho môi trường giao thông đô thị, gồm hàng nghìn khung hình chụp từ xe hơi tại các thành phố châu Âu với nhãn phân đoạn điểm ảnh cực kỳ chi tiết, phục vụ đắc lực cho việc huấn luyện thuật toán điều hướng xe tự hành.
- PASCAL VOC: Bộ dữ liệu lịch sử đặt nền tảng đánh giá các mô hình phân đoạn ban đầu từ năm 2012 với 20 lớp danh mục đối tượng cơ bản.
Tại Việt Nam, các nghiên cứu và ứng dụng về phân đoạn đối tượng đang phát triển rất mạnh mẽ nhằm giải quyết các bài toán đặc thù trong nước. Nghiên cứu thực nghiệm của tác giả Đặng Thị Dung, Nguyễn Trung Kiên, Trần Văn Phúc và Huỳnh Phúc Thịnh (2025) công bố trên Tạp chí Khoa học và Công nghệ Đại học Thái Nguyên đã tập trung vào việc kết hợp các kiến trúc phát hiện đối tượng thời gian thực tiên tiến như mạng YOLO với sức mạnh phân đoạn linh hoạt của mô hình Segment Anything (SAM). Nghiên cứu tiến hành thực nghiệm chuyên sâu trên tập dữ liệu gồm hơn 2000 hình ảnh thuộc 20 lớp đối tượng khác nhau. Kết quả cho thấy phương pháp tích hợp này đã cải thiện đáng kể độ sắc nét và tính chính xác của các đường bao phân đoạn đối tượng so với việc chỉ sử dụng các hộp bao chữ nhật truyền thống, đồng thời mở ra khả năng triển khai các hệ thống nhận diện và phân đoạn tự động thích ứng cao với điều kiện tài nguyên tính toán thực tế tại Việt Nam.
Ứng dụng thực tiễn trong công nghệ và đời sống
Nhờ khả năng nhận diện hình thái chính xác đến từng điểm ảnh, phân đoạn đối tượng đóng vai trò then chốt trong nhiều lĩnh vực công nghệ cao:
- Hệ thống xe tự hành và phương tiện không người lái: Xe tự hành bắt buộc phải phân tách chính xác ranh giới của mặt đường di chuyển, làn đường, dải phân cách, người đi bộ, xe đạp và các chướng ngại vật ngẫu nhiên trên đường để đưa ra quyết định phanh, đánh lái an toàn trong tích tắc.
- Y tế thông minh và phân tích ảnh sinh học: Trong chẩn đoán hình ảnh y khoa (X-quang, MRI, CT scan, siêu âm), phân đoạn tự động giúp khoanh vùng ranh giới khối u, xác định thể tích tổn thương phổi, phân tách các cơ quan nội tạng hoặc đếm số lượng tế bào máu, hỗ trợ bác sĩ lập kế hoạch xạ trị và phẫu thuật chính xác.
- Nông nghiệp chính xác và quản lý tài nguyên: Phân tích ảnh chụp từ máy bay không người lái (drone) hoặc ảnh viễn thám vệ tinh để phân đoạn từng tán cây ăn quả, phát hiện các vùng cây trồng bị sâu bệnh, đo đạc diện tích rừng bị suy giảm hoặc theo dõi quá trình đô thị hóa bề mặt đất đai.
- Robot công nghiệp và tự động hóa kho vận: Robot xử lý hàng hóa cần phân đoạn chính xác ranh giới của từng kiện hàng xếp chồng lấn trong thùng chứa (bin picking) để cánh tay robot tính toán điểm kẹp gắp tối ưu mà không làm hư hại sản phẩm.
- Thực tế tăng cường (AR) và kỹ xảo điện ảnh: Phân tách người dùng khỏi phông nền theo thời gian thực để chèn hiệu ứng ảo, thay thế hình nền trong các cuộc gọi trực tuyến hoặc lồng ghép các vật thể số hóa một cách tự nhiên vào không gian thực.
Hạn chế kỹ thuật và thách thức nghiên cứu mở
Mặc dù đạt được những bước tiến nhảy vọt, công nghệ phân đoạn đối tượng vẫn đang đối mặt với những rào cản kỹ thuật quan trọng:
- Chi phí gán nhãn dữ liệu khổng lồ: Việc vẽ mặt nạ phân đoạn tỉ mỉ bao quanh từng đối tượng phức tạp ở cấp độ pixel đòi hỏi thời gian và nhân lực gấp hàng chục đến hàng trăm lần so với việc chỉ vẽ khung bao chữ nhật. Điều này tạo ra nút thắt cổ chai lớn khi muốn mở rộng thuật toán sang các miền dữ liệu mới hoặc chuyên ngành hẹp.
- Đối tượng bị che khuất và ranh giới mờ nhạt: Khi các đối tượng cùng loại chen chúc, đan cài phức tạp (như đám đông người đứng sát nhau, cành lá cây rậm rạp) hoặc đối tượng có tính chất bán trong suốt, phản chiếu ánh sáng mạnh, các mô hình học sâu rất dễ dự đoán dính liền mặt nạ hoặc làm đứt gãy đường viền đối tượng.
- Áp lực tính toán thời gian thực trên thiết bị biên: Các mạng nơ-ron phân đoạn có độ chính xác cao thường sở hữu số lượng tham số khổng lồ và đòi hỏi năng lực tính toán đồ họa mạnh mẽ. Việc tối ưu hóa kiến trúc mạng để chạy mượt mà theo thời gian thực trên các vi xử lý nhúng, camera thông minh hay điện thoại di động vẫn là bài toán tối ưu còn nhiều thách thức.
- Tính giải thích được và an toàn hệ thống: Trong các ứng dụng tối quan trọng như y tế hay lái xe tự hành, hiện tượng dự đoán sai lệch điểm ảnh do các mẫu tấn công đối kháng (adversarial attacks) hoặc sự thay đổi điều kiện ánh sáng đột ngột đòi hỏi các cơ chế kiểm định an toàn nghiêm ngặt hơn trước khi triển khai thực tế.
Nhìn chung, phân đoạn đối tượng là một trong những trụ cột cốt lõi nhất của ngành thị giác máy tính đương đại. Sự kết hợp giữa các kiến trúc học sâu đột phá, các bộ dữ liệu quy mô lớn và các mô hình nền tảng đa phương thức đang ngày càng thu hẹp khoảng cách giữa khả năng quan sát của máy tính và thị giác tự nhiên của con người, mở ra tương lai rộng lớn cho các hệ thống tự hành thông minh.