Luận án Nghiên cứu biểu diễn và nhận dạng đối tượng chuyển động dựa trên đại số hình học bảo giác và học máy

Tên luận án:

NGHIÊN CỨU BIỂU DIỄN VÀ NHẬN DẠNG ĐỐI TƯỢNG CHUYỂN ĐỘNG DỰA TRÊN ĐẠI SỐ HÌNH HỌC BẢO GIÁC VÀ HỌC MÁY

Ngành:

KHOA HỌC MÁY TÍNH

Tóm tắt nội dung tài liệu:

Luận án "Nghiên cứu biểu diễn và nhận dạng đối tượng chuyển động dựa trên đại số hình học bảo giác và học máy" giải quyết thách thức trong việc xử lý dữ liệu lớn, phức tạp từ các hệ thống giao dịch điện tử, internet vạn vật, và ứng dụng cảm biến, đặc biệt là trong lĩnh vực nhận dạng đối tượng chuyển động. Các mô hình học máy truyền thống thường sử dụng phép biến đổi tuyến tính và giả định dữ liệu phân phối trên mặt phẳng, dẫn đến hiệu suất thấp khi dữ liệu có phân bố dạng cong hoặc siêu cầu trong không gian.

Để khắc phục hạn chế này, luận án đề xuất nghiên cứu và ứng dụng Đại số Hình học Bảo giác (Conformal Geometric Algebra - CGA). CGA mở rộng không gian thực m chiều bằng cách thêm hai vectơ cơ sở, cho phép biểu diễn các đối tượng chuyển động với phân bố dữ liệu phức tạp (như siêu phẳng hoặc siêu cầu) một cách đơn giản và chính xác hơn.

Mục tiêu chính của luận án là phát triển mô hình kết hợp CGA với học máy để nâng cao hiệu quả nhận dạng đối tượng chuyển động và hành động con người. Các đóng góp cụ thể bao gồm:

• **Phương pháp phân cụm dữ liệu:** Đề xuất kết hợp CGA với hàm mật độ xác suất Gauss để biểu diễn đối tượng chuyển động có phân bố dữ liệu phức tạp và sử dụng phương pháp lượng tử hóa vectơ dựa trên CGA cho mô hình Markov ẩn (HMM) để huấn luyện và nhận dạng. Kết quả phân cụm CGA-HMM đạt 86,95% độ chính xác, vượt trội so với k-means HMM (72,57%).
• **Phương pháp phân lớp dữ liệu:** Đề xuất sử dụng CGA thay thế PCA trong phương pháp Hồi quy Thành phần Chính (PCR) để xác định phương sai, giải quyết bài toán tối ưu bằng cách tìm phương sai nhỏ nhất từ điểm đến vectơ trong không gian CGA. Mô hình CGA-PCR đạt 88,9% độ chính xác, cao hơn PCR truyền thống (63,1%).
• **Giảm chiều dữ liệu và trích chọn đặc trưng:** Đề xuất phương pháp trích chọn đặc trưng sử dụng CGA, tối ưu hàm khoảng cách từ một điểm đến vectơ đại diện (có thể là điểm, đường, siêu phẳng hoặc siêu cầu) trong không gian CGA, phù hợp cho dữ liệu phân bố phức tạp.
• **Tiền xử lý dữ liệu:** Đề xuất phương pháp tiền xử lý dữ liệu đầu vào bằng cách chọn lọc các khớp có dịch chuyển lớn và đồng bộ hóa tọa độ khớp để nâng cao hiệu quả nhận dạng hành động người.

Các mô hình đề xuất đã được kiểm chứng thực nghiệm trên bộ dữ liệu chuyển động CMU với 8 hành động người, tổng cộng 19.862 khung hình và 41 khớp xương 3D. Kết quả thực nghiệm cho thấy phương pháp trích chọn đặc trưng CGA kết hợp với Mạng nơ-ron hồi quy (RNN) đạt tỷ lệ nhận dạng cao nhất là 92,52%, vượt trội so với PCA kết hợp với RNN (90,5%).

Luận án đã đạt được các mục tiêu đề ra, mang lại các kết quả định lượng cao và mở ra hướng nghiên cứu mới trong việc xử lý ảnh và nhận dạng hành động người, với tiềm năng ứng dụng trong các hệ thống giám sát và tự động hóa.

Mục lục chi tiết:

• MỞ ĐẦU
  • 1. Mục tiêu nghiên cứu
  • 2. Cấu trúc của Luận án
  • 3. Đóng góp chính của Luận án
• Chương 1. PHƯƠNG PHÁP BIỂU DIỄN ĐỐI TƯỢNG CHUYỂN ĐỘNG TRONG HỌC MÁY
  • 1.1 Phương pháp biểu diễn dữ liệu trong không gian
    • 1.1.1 Phương pháp biểu diễn dữ liệu bằng không gian vectơ
    • 1.1.2 Phương pháp biểu diễn dữ liệu bằng ma trận
    • 1.1.3 Phương pháp biểu diễn dữ liệu bằng Ten-xơ
  • 1.2 Phương pháp biểu diễn đối tượng chuyển động trong học máy
    • 1.2.1 Biểu diễn dữ liệu dựa trên mô hình xác suất
      • 1.2.1.1 Mô hình hỗn hợp Gauss
      • 1.2.1.2 Mô hình Markov ẩn
    • 1.2.2 Phương pháp giảm chiều dữ liệu
      • 1.2.2.1 Phân tích thành phần chính
      • 1.2.2.2 Phân tích biệt thức tuyến tính đa biến
    • 1.2.3 Phương pháp tăng chiều dữ liệu
      • 1.2.3.1 Máy vectơ hỗ trợ
      • 1.2.3.2 Mạng nơron nhân tạo
  • 1.3 Phương pháp biểu diễn đối tượng chuyển động sử dụng CGA
    • 1.3.1 Đại số hình học
    • 1.3.2 Đại số hình học bảo giác
  • 1.4 Kết luận chương
• Chương 2. ĐỀ XUẤT PHƯƠNG PHÁP BIỂU DIỄN ĐỐI TƯỢNG CHUYỂN ĐỘNG DỰA TRÊN ĐẠI SỐ HÌNH HỌC BẢO GIÁC
  • 2.1 Đại số hình học hình học bảo giác
    • 2.1.1 Đại số hình học
    • 2.1.2 Đại số hình học Bảo giác
  • 2.2 Đề xuất phương pháp phân cụm dữ liệu sử dụng CGA
    • 2.2.1 Phân cụm dữ liệu sử dụng CGA dựa trên GMM
    • 2.2.2 Lượng tử hóa vectơ dựa trên phân cụm dữ liệu sử dụng CGA
    • 2.2.3 Phương pháp kết hợp HMM với phân cụm sử dụng CGA
  • 2.3 Đề xuất phương pháp trích chọn đặc trưng sử dụng CGA
    • 2.3.1 Phương pháp trích chọn đặc trưng sử dụng PCA
    • 2.3.2 Phương pháp trích chọn đặc trưng sử dụng PCA kết hợp với CGA
      • 2.3.2.1 Phương pháp hồi quy thành phần chính (PCR)
      • 2.3.2.2 Phương pháp PCR kết hợp với CGA
      • 2.3.2.3 Phương pháp PCR kết hợp với CGA để nhận dạng hành động
    • 2.3.3 Phương pháp trích chọn đặc trưng sử dụng CGA kết hợp với RNN
      • 2.3.3.1 Phương pháp tiền xử lý bằng cách dịch chuyển tọa độ
      • 2.3.3.2 Phương pháp trích chọn đặc trưng sử dụng CGA kết hợp với RNN
  • 2.5 Kết luận chương
• Chương 3. TRIỂN KHAI THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
  • 3.1 Dữ liệu thực nghiệm
    • 3.1.1 Đối tượng chuyển động trong không gian
    • 3.1.2 Bộ dữ liệu chuyển động CMU
    • 3.1.3 Dữ liệu thực nghiệm
  • 3.2 Nhận dạng hành động dựa trên phân cụm CGA kết hợp với HMM
    • 3.2.1 Kết quả thực nghiệm
      • 3.2.1.1 Các tham số của mô hình
      • 3.2.1.2 Kết quả thực nghiệm
    • 3.2.2 Đánh giá kết quả
  • 3.3 Nhận dạng hành động dựa vào phương pháp PCR kết hợp với CGA
    • 3.3.1 Các phương pháp thực nghiệm
    • 3.3.2 Kết quả thực nghiệm
    • 3.3.3 Đánh giá kết quả
  • 3.4 Nhận dạng hành động dựa vào phương pháp CGA kết hợp với RNN
    • 3.4.1 Kết quả thực nghiệm
      • 3.4.1.1 Nhận dạng hành động dựa trên mô hình RNN
      • 3.4.1.2 Kết quả kết hợp PCA với RNN
      • 3.4.1.3 Kết quả kết hợp CGA với RNN
    • 3.4.2 Đánh giá kết quả
  • 3.5 Kết luận chương
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
  • 1. Kết quả của luận án
  • 2. Đánh giá kết quả
  • 3. Hướng nghiên cứu tiếp theo
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ