Phân loại hình ảnh là gì? Các nghiên cứu khoa học về Phân loại hình ảnh

Giới thiệu về phân loại hình ảnh

Phân loại hình ảnh (Image Classification) là quá trình xác định lớp hoặc danh mục mà một hình ảnh thuộc về. Đây là một trong những nhiệm vụ cơ bản và phổ biến nhất trong lĩnh vực thị giác máy tính, nơi máy tính được huấn luyện để hiểu và phân tích nội dung trong ảnh dưới dạng dữ liệu số. Mục tiêu cuối cùng là giúp máy móc nhận biết và gán nhãn chính xác cho hình ảnh đầu vào, tương tự như khả năng phân biệt hình ảnh của con người.

Ứng dụng của phân loại hình ảnh rất đa dạng và lan rộng trong nhiều lĩnh vực thực tiễn. Trong y tế, nó được dùng để phân tích ảnh X-quang hoặc MRI nhằm hỗ trợ chẩn đoán. Trong ngành công nghiệp ô tô, hệ thống phân loại hình ảnh là nền tảng của các công nghệ lái xe tự động, giúp nhận diện biển báo, phương tiện và người đi bộ. Trong an ninh, nó đóng vai trò trong hệ thống nhận diện khuôn mặt hoặc phát hiện hành vi nghi ngờ từ hình ảnh camera.

Một số ví dụ cụ thể về ứng dụng:

• Phân loại sản phẩm trong thương mại điện tử từ ảnh chụp.
• Phân tích ảnh vệ tinh để giám sát nông nghiệp hoặc môi trường.
• Gán nhãn tự động cho hình ảnh trong mạng xã hội.

Nguyên lý hoạt động

Quá trình phân loại hình ảnh gồm bốn bước chính: tiền xử lý ảnh, trích xuất đặc trưng, huấn luyện mô hình và suy luận dự đoán. Mỗi bước đóng vai trò khác nhau nhưng đều góp phần xây dựng một hệ thống phân loại chính xác.

Tiền xử lý bao gồm chuẩn hóa độ sáng, đổi kích thước ảnh, chuyển đổi không gian màu hoặc áp dụng các kỹ thuật tăng cường dữ liệu như xoay, cắt, lật ảnh. Sau đó, hệ thống sẽ trích xuất các đặc trưng từ ảnh, có thể là đặc trưng thủ công hoặc đặc trưng học được từ mô hình học sâu.

Trong giai đoạn huấn luyện, mô hình sẽ học cách ánh xạ từ dữ liệu hình ảnh đầu vào $x$ sang xác suất phân phối trên tập nhãn $C$. Việc dự đoán lớp đầu ra được thực hiện bằng cách chọn lớp có xác suất cao nhất:

$\hat{y} = \arg\max_{c \in C} P(c | x)$

Sau khi được huấn luyện, mô hình có thể áp dụng để phân loại các ảnh mới chưa từng thấy trước đó.

Dưới đây là bảng tóm tắt các bước chính và công cụ phổ biến tương ứng:

Giai đoạn	Mô tả	Công cụ phổ biến
Tiền xử lý	Chuyển đổi ảnh để phù hợp với đầu vào mô hình	OpenCV, PIL, Albumentations
Trích xuất đặc trưng	Chuyển ảnh thành dạng biểu diễn có thể học	SIFT, HOG, hoặc CNN
Huấn luyện mô hình	Học hàm phân loại từ ảnh sang nhãn	PyTorch, TensorFlow
Suy luận	Dự đoán nhãn mới từ ảnh chưa biết	ONNX, TensorRT, CoreML

Các phương pháp truyền thống

Trước khi học sâu trở thành xu hướng chủ đạo, phân loại hình ảnh chủ yếu dựa vào các kỹ thuật trích xuất đặc trưng thủ công. Các đặc trưng như SIFT (Scale-Invariant Feature Transform), HOG (Histogram of Oriented Gradients) và LBP (Local Binary Patterns) là những phương pháp phổ biến để mô tả thông tin trong ảnh dưới dạng vector đặc trưng.

Sau khi trích xuất, các bộ phân loại học máy như SVM (Support Vector Machine), k-NN (k-Nearest Neighbors) hoặc Random Forest được sử dụng để huấn luyện và phân loại. Dù đạt hiệu quả khá tốt trên tập dữ liệu nhỏ và có cấu trúc rõ ràng, các phương pháp này bị hạn chế bởi:

• Phụ thuộc vào kỹ thuật chọn đặc trưng thủ công.
• Hiệu suất kém trên tập dữ liệu lớn hoặc phức tạp.
• Khó tổng quát hóa cho ảnh có biến đổi không gian hoặc độ sáng lớn.

Bảng dưới đây so sánh các đặc điểm giữa phương pháp truyền thống và học sâu:

Tiêu chí	Phương pháp truyền thống	Học sâu
Trích xuất đặc trưng	Thủ công, cố định	Tự học từ dữ liệu
Yêu cầu dữ liệu	Ít dữ liệu	Nhiều dữ liệu
Khả năng mở rộng	Hạn chế	Cao
Hiệu quả trên dữ liệu phức tạp	Thấp	Cao

Mạng nơ-ron tích chập (CNN)

CNN là kiến trúc mạng nơ-ron nhân tạo đặc biệt được thiết kế để xử lý dữ liệu ảnh. Khác với mạng fully connected truyền thống, CNN tận dụng cấu trúc không gian của ảnh bằng cách sử dụng các lớp tích chập để tự động học đặc trưng không gian từ các vùng ảnh nhỏ.

Các lớp cơ bản trong CNN bao gồm:

1. Convolutional Layer: trích xuất đặc trưng cục bộ thông qua các bộ lọc (filter).
2. Activation Layer (ReLU): đưa phi tuyến tính vào mô hình.
3. Pooling Layer: giảm kích thước đặc trưng, giúp mô hình khái quát hơn.
4. Fully Connected Layer: thực hiện phân loại từ đặc trưng cuối cùng.

Các mô hình CNN có thể huấn luyện "end-to-end" mà không cần thủ công chọn đặc trưng. Nhờ đó, CNN đã thay thế gần như hoàn toàn các phương pháp truyền thống trong hầu hết các ứng dụng phân loại ảnh hiện nay.

Ví dụ minh họa kiến trúc CNN cơ bản có thể được tham khảo chi tiết tại tài liệu CS231n của Stanford.

Các kiến trúc mạng hiện đại

Sau sự thành công của các mạng CNN cơ bản, các kiến trúc tiên tiến hơn đã được phát triển để cải thiện độ chính xác và tối ưu hóa hiệu suất tính toán. Một trong những đột phá lớn là ResNet (Residual Network), với kiến trúc cho phép huấn luyện các mạng cực kỳ sâu thông qua kỹ thuật skip connection – giúp truyền gradient qua nhiều lớp mà không bị suy giảm.

Các mô hình khác như DenseNet, EfficientNet và MobileNet tập trung vào cân bằng giữa hiệu quả tính toán và độ chính xác. EfficientNet, ví dụ, sử dụng kỹ thuật compound scaling để đồng thời mở rộng chiều sâu, chiều rộng và độ phân giải ảnh đầu vào theo một tỉ lệ tối ưu.

Đặc biệt, từ năm 2020 trở đi, Vision Transformer (ViT) đã trở thành bước ngoặt mới trong phân loại ảnh khi áp dụng kiến trúc của mô hình transformer – vốn là nền tảng trong xử lý ngôn ngữ tự nhiên – vào hình ảnh. ViT chia ảnh thành các “patch” nhỏ, biến chúng thành chuỗi token và học thông tin toàn cục bằng cơ chế self-attention.

Bảng so sánh sau thể hiện đặc điểm nổi bật của một số kiến trúc hiện đại:

Kiến trúc	Năm	Đặc điểm nổi bật	Ứng dụng
ResNet	2015	Huấn luyện mạng rất sâu nhờ residual blocks	Phân loại ảnh tổng quát
EfficientNet	2019	Tối ưu hiệu suất nhờ compound scaling	Thiết bị di động, edge AI
Vision Transformer (ViT)	2020	Áp dụng self-attention trên ảnh	Dữ liệu lớn, yêu cầu thông tin toàn cục

Phân loại ảnh đa lớp và đa nhãn

Trong bài toán phân loại ảnh thông thường, mỗi hình ảnh chỉ gắn với một nhãn duy nhất – gọi là phân loại đa lớp. Tuy nhiên, trong thực tế, nhiều ảnh chứa nhiều đối tượng hoặc thuộc nhiều thể loại, yêu cầu mô hình thực hiện phân loại đa nhãn.

Ví dụ: một ảnh có thể vừa chứa “người”, “xe máy” và “đường phố”. Trong trường hợp này, đầu ra không phải là một nhãn duy nhất mà là một vectơ nhị phân thể hiện các nhãn có mặt trong ảnh:

$\mathbf{y} \in \{0,1\}^C$

Phân loại đa nhãn đòi hỏi mô hình có khả năng phát hiện và phân biệt nhiều lớp cùng lúc. Thường sử dụng hàm kích hoạt sigmoid ở lớp đầu ra thay vì softmax, và tổn thất (loss function) được tính bằng binary cross-entropy thay vì categorical cross-entropy.

Một số thách thức trong bài toán đa nhãn gồm:

• Mất cân bằng lớp nghiêm trọng (một số nhãn rất hiếm).
• Quan hệ phụ thuộc giữa các nhãn (co-occurrence).
• Khó đánh giá độ chính xác do không có một nhãn “đúng duy nhất”.

Vai trò của dữ liệu và tiền xử lý

Chất lượng và số lượng dữ liệu là yếu tố then chốt quyết định hiệu quả của mô hình phân loại ảnh. Dữ liệu không đủ hoặc không đa dạng sẽ dẫn đến mô hình kém tổng quát hóa và dễ bị hiện tượng quá khớp (overfitting).

Tiền xử lý là bước chuẩn bị ảnh trước khi đưa vào mô hình. Một số kỹ thuật phổ biến:

• Chuẩn hóa (normalization): đưa pixel về khoảng [0,1] hoặc [-1,1].
• Resize ảnh về kích thước cố định.
• Chuyển đổi không gian màu (RGB, Grayscale).

Để cải thiện tính đa dạng dữ liệu, người ta áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation) như:

• Xoay, lật, phóng to, cắt ảnh.
• Giảm độ sáng, thêm nhiễu Gaussian.
• Mixup, Cutout – kết hợp hai ảnh thành một.

Thư viện Albumentations là một công cụ mạnh mẽ hỗ trợ rất nhiều kỹ thuật tiền xử lý và tăng cường dữ liệu tiên tiến.

Phân loại ảnh thời gian thực

Trong các ứng dụng như camera giám sát, robot hoặc xe tự lái, yêu cầu thời gian xử lý là cực kỳ quan trọng. Việc phân loại ảnh thời gian thực đòi hỏi mô hình không chỉ chính xác mà còn nhẹ, nhanh và tối ưu về tài nguyên.

Một số chiến lược giúp đạt được phân loại ảnh thời gian thực:

• Dùng các mô hình nhẹ như MobileNet, EfficientNet-Lite.
• Sử dụng phần mềm tăng tốc như TensorRT, OpenVINO, CoreML.
• Triển khai mô hình trên thiết bị biên (edge devices) thay vì server.

Với sự phát triển của chip AI chuyên dụng (như Google Coral, NVIDIA Jetson), việc chạy mô hình phân loại ảnh ngay trên thiết bị nhúng đã trở nên phổ biến và hiệu quả hơn bao giờ hết.

Ứng dụng trong thực tế

Phân loại ảnh là nền tảng cho nhiều giải pháp thực tiễn trong nhiều ngành nghề:

• Y tế: phân tích ảnh nội soi, chẩn đoán ung thư từ ảnh mô học.
• Giao thông: phát hiện biển báo, giám sát giao thông.
• Thương mại: tự động phân loại và tìm kiếm sản phẩm bằng hình ảnh.
• Nông nghiệp: phát hiện sâu bệnh, xác định loại cây trồng.
• An ninh: nhận diện khuôn mặt, phát hiện vũ khí từ camera.

Không chỉ dừng ở nhận diện, các mô hình phân loại ảnh ngày nay còn kết hợp với các tác vụ khác như phân đoạn ảnh (segmentation), phát hiện đối tượng (object detection) để xây dựng hệ thống thị giác máy toàn diện.

Thách thức và hướng phát triển

Dù đạt được nhiều tiến bộ, phân loại hình ảnh vẫn đối mặt với nhiều thách thức như:

• Dữ liệu không cân bằng: một số lớp có quá ít mẫu.
• Chất lượng ảnh kém: mờ, thiếu sáng, nhiễu.
• Đòi hỏi giải thích: nhiều ứng dụng cần hiểu rõ lý do dự đoán.

Hướng phát triển trong tương lai tập trung vào:

• Học không giám sát (unsupervised learning) và học ít nhãn (few-shot learning).
• Triển khai mô hình trên thiết bị di động hoặc nhúng.
• Học liên tục (continual learning) và học từ nhiều miền dữ liệu (domain adaptation).
• Phát triển mô hình dễ giải thích (explainable AI).

Tài liệu tham khảo

1. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. arXiv preprint. https://arxiv.org/abs/1512.03385
2. Tan, M., & Le, Q. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv. https://arxiv.org/abs/1905.11946
3. Dosovitskiy, A., et al. (2020). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. arXiv. https://arxiv.org/abs/2010.11929
4. Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv. https://arxiv.org/abs/1409.1556
5. Albumentations Image Augmentation Library
6. PyTorch – Deep Learning Framework
7. NVIDIA TensorRT for Model Acceleration