LuanVan.vnLuận Văn
Gửi thư

Phát hiện sự kiện bất thường trong video

Luận án · Tiến sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận án
Bậc họcTiến sĩ
Tác giảTrần Minh Tùng
Người hướng dẫnNguyễn Tấn Trần Minh Khang; Nguyễn Văn Tâm
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Luận án tập trung nghiên cứu vào các nội dung sau: Nội dung 1: Nghiên cứu, khảo sát các bài toán và các phương pháp giải quyết bài toán phát hiện sự kiện bất thường trong video. Nội dung này được thúc đẩy bởi một số khía cạnh. Thứ nhất, tập trung phân tích các phương pháp truyền thống dựa trên việc rút trích các đặc trưng thủ công (handcrafted features) và các phương pháp dựa trên học sâu (deep learning) để làm nổi bật những tiến bộ gần đây trong kỹ thuật học sâu cho bài toán phát hiện sự kiện bất thường trong video.Thứ hai, xác định các thách thức khi giải quyết các bài toán liên quan đến bất thường gồm: phát hiện bất thường, phân loại bất thường, dự đoán bất thường và định vị bất thường trong video cũng như phạm vi ứng dụng của các bài toán này mà các công trình khảo sát hiện có chưa đề cập đầy đủ về chủ đề này. Thứ ba, so sánh hiệu suất của các kỹ thuật tối tận hiện tại khác nhau trên các bộ dữ liệu chuẩn công khai nhằm chỉ ra tình trạng hiện tại của bài toán nghiên cứu. Cuối cùng, thảo luận về những ưu điểm, hạn chế của các phương pháp hiện đại và gợi mở các hướng nghiên cứu sâu hơn cho bài toán phát hiện sự kiện bất thường trong video ; Nội dung 2: Nghiên cứu và đề xuất phương pháp phát hiện sự kiện bất thường ở mức khung hình trong video trên không với ngữ cảnh giao thông. Xuất phát từ sự thành công và đạt được những kết quả đột phá trong lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) với khả năng khai thác thông tin ngữ cảnh mạnh mẽ của mô hình mạng Transformer [98]. Ban đầu kiến trúc mạng này được đề xuất như một mô hình ngôn ngữ theo trình tự với các cơ chế chú ý (attention mechanisms) dựa trên cấu trúc bộ mã hóa - giải mã để xử lý các tác vụ NLP khác nhau, như dịch ngôn ngữ và trả lời câu hỏi. Ý tưởng chính của mô hình Transformer là sử dụng các cơ chế tự chú ý (self-attention) với các tầng mạng nơ-ron (neural network) để tổng hợp thông tin từ toàn bộ chuỗi đầu vào. Tuy nhiên, không giống như mạng thần kinh hồi quy (Recurrent Neural Networks - RNN), với cơ chế chú ý mô hình Transformer không yêu cầu dữ liệu phải được xử lý theo trình tự vì thế mô hình này có thể học đầy đủ mối quan hệ giữa các từ ở xa trong một câu, nên mô hình này sẽ khắc phục được các vấn đề gặp phải của các mô hình tuần tự (sequence - to - sequence models) trước đó. Do đặc trưng này, mạng Transformer hỗ trợ tính toán song song hoàn toàn, huấn luyện trên các bộ dữ liệu quy mô lớn nên giảm thời gian huấn luyện. Lấy cảm hứng từ các nghiên cứu mới nhất và thành công gần đây của các state - of-the - arts [11, 15, 19] đối với các bài toán liên quan trong lĩnh vực thị giác máy tính bao gồm phân loại hình ảnh [99, 100], phân loại video [101], phát hiện đối tượng [102, 103, 150], phát hiện sự kiện bất thường trong video [77, 135, 139] và sự phổ biến của thiết bị bay không người lái (drone) trong lĩnh vực giao thông và các lĩnh vực khác [165, 166, 167, 168], luận án đề xuất phương pháp phát hiện sự kiện bất thường ở mức khung hình trong video được quay bằng thiết bị bay không người lái với ngữ cảnh giao thông ; Nội dung 3: Thu thập và xây dựng bộ dữ liệu cho bài toán phát hiện sự kiện bất thường trong video trên không với ngữ cảnh giao thông tại TP.HCM, Việt Nam. Được thúc đẩy bởi sự khan hiếm của bộ dữ liệu cho bài toán phát hiện sự kiện bất thường trong video trên không với ngữ cảnh giao thông cùng với những khó khăn và thách thức của bài toán bao gồm môi trường giao thông phức tạp, đối tượng tham gia giao thông có kích thước nhỏ và đa dạng, camera chuyển động, góc quay và độ cao thay đổi,... Luận án tiến hành thu thập và xây dựng bộ dữ liệu có tên là UIT- ADrone, với ngữ cảnh thực tế là môi trường giao thông tại TP.HCM, Việt Nam được quay bằng thiết bị bay không người lái.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.