Trích xuất đặc trưng (feature extraction) là một giai đoạn tiền xử lý trọng yếu trong quy trình học máy, thị giác máy tính và nhận dạng mẫu. Mục tiêu then chốt của kỹ thuật này là chuyển đổi không gian dữ liệu thô ban đầu – thường có số chiều lớn, nhiễu và chứa nhiều thông tin dư thừa – thành một tập hợp hữu hạn các vector đặc trưng có tính đại diện cao, phản ánh chính xác cấu trúc bản chất của đối tượng nghiên cứu.
Bản chất và mục tiêu của trích xuất đặc trưng
Theo Guyon và Elisseeff (2008), các tập dữ liệu thô như hình ảnh kỹ thuật số độ phân giải cao, tín hiệu âm thanh hay chuỗi văn bản tự nhiên thường gặp phải “lời nguyền số chiều” (curse of dimensionality). Việc đưa trực tiếp dữ liệu thô vào các thuật toán phân lớp hoặc hồi quy dẫn đến hiện tượng quá khớp (overfitting) và làm tăng chi phí tính toán. Trích xuất đặc trưng giúp giảm thiểu số lượng biến số đầu vào mà vẫn duy trì tối đa lượng thông tin hữu ích phục vụ cho quá trình phân biệt đối tượng.
Phân loại các phương pháp trích xuất đặc trưng truyền thống
Trước kỷ nguyên học sâu, các chuyên gia sử dụng các giải thuật thủ công (hand-crafted features) được thiết kế dựa trên tri thức chuyên ngành:
| Lĩnh vực ứng dụng | Phương pháp tiêu biểu | Nguyên lý trích xuất cốt lõi |
|---|---|---|
| Thị giác máy tính | SIFT (Scale-Invariant Feature Transform) | Phát hiện cực trị không gian tỉ lệ dựa trên sai phân hàm Gaussian (DoG) |
| Nhận dạng đối tượng | HOG (Histogram of Oriented Gradients) | Đếm tần suất xuất hiện hướng gradient trong các vùng cục bộ của ảnh |
| Xử lý tiếng nói | MFCC (Mel-Frequency Cepstral Coefficients) | Biến đổi phổ tần số theo thang đo độ cao âm Mel mô phỏng thính giác người |
| Giảm chiều tuyến tính | PCA (Principal Component Analysis) | Chiếu dữ liệu lên các trục phương sai cực đại không tương quan |
Đột phá của thuật toán SIFT trong thị giác máy tính
Theo công trình kinh điển của David Lowe (2004), thuật toán SIFT đã tạo nên bước ngoặt lớn trong nhận dạng mẫu thị giác nhờ khả năng trích xuất các điểm đặc trưng then chốt (keypoints) với những ưu thế vượt trội:
- Bất biến với phép co giãn tỷ lệ và phép quay: Đảm bảo nhận dạng chính xác vật thể bất kể khoảng cách chụp xa gần hay góc xoay của camera.
- Độ bền vững cao: Chống chịu tốt trước sự biến đổi góc chiếu sáng, nhiễu quang học và hiện tượng che khuất một phần (occlusion).
- Tính phân biệt đặc thù: Mỗi vector đặc trưng SIFT có độ dài 128 chiều, cho phép so khớp chính xác giữa hàng nghìn điểm ảnh trên cơ sở dữ liệu lớn.
Sự chuyển dịch sang Học biểu diện (Representation Learning) và Học sâu
Theo khảo cứu toàn diện của Yoshua Bengio và cộng sự (2013), sự phát triển của mạng nơ-ron sâu (Deep Neural Networks) đã thay thế việc chế tạo đặc trưng thủ công bằng quá trình tự động học biểu diễn phân cấp (hierarchical representation learning):
- Mạng tích chập (CNN): Tự động học các đặc trưng hình ảnh từ mức thấp (cạnh, góc, kết cấu) đến mức cao (bộ phận, hình thái toàn thể và ngữ nghĩa trừu tượng).
- Mạng Transformer: Trích xuất các mối quan hệ ngữ cảnh và đặc trưng khoảng cách xa trong xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính (Vision Transformers).
- Bộ tự mã hóa (Autoencoders): Nén dữ liệu không gian nhiều chiều vào một không gian ẩn (latent space) cô đọng mà không cần nhãn giám sát.
Ứng dụng thực tiễn đa ngành
- Chẩn đoán y khoa thông minh: Tự động phát hiện tổn thương phổi, khối u và võng mạc từ hình ảnh chụp cắt lớp vi tính (CT), MRI và ảnh đáy mắt.
- Xe tự hành và Robot: Định vị bản đồ đồng thời (SLAM), nhận diện làn đường, người đi bộ và chướng ngại vật trong thời gian thực.
- Hệ thống gợi ý và Tìm kiếm đa phương tiện: Trích xuất vector nhúng ngữ nghĩa (embeddings) để tìm kiếm hình ảnh tương đồng và cá nhân hóa trải nghiệm người dùng.