Thị giác máy tính

Thị giác máy tính (Computer Vision) là một lĩnh vực nghiên cứu sôi nổi trong khoa học máy tính và trí tuệ nhân tạo. Mặc dù chưa thể sánh bằng khả năng thị giác của con người, thị giác máy tính đã có nhiều ứng dụng thiết thực.

Khi con người nhìn vào một bức ảnh, chúng ta nhận ra con người, đồ vật, và bối cảnh. Hình ảnh gợi lên ký ức, kinh nghiệm và những tình huống tương tự. Chúng ta suy luận thông tin từ các chi tiết nhỏ, hướng nhìn của đám đông, hay trang phục của mọi người.

Đám đông đang xem sự kiện và chụp ảnh bằng điện thoại. Thị giác máy tính phân tích hình ảnh này như một mảng pixel.

Tuy nhiên, đối với máy tính, hình ảnh chỉ là một tập hợp các pixel, những giá trị số đại diện cho màu sắc. Thách thức của các nhà khoa học máy tính là tạo ra máy móc có thể hiểu hình ảnh và video như con người, một bài toán được nghiên cứu từ những năm 1950. Kể từ đó, thị giác máy tính đã trở thành một trong những lĩnh vực nghiên cứu nóng nhất của trí tuệ nhân tạo.

Giải pháp hạ tầng Deep Learning và Trí tuệ Nhân tạo AI hỗ trợ thị giác máy tính.

Chúng ta đã đạt được những bước tiến đáng kể trong việc tạo ra phần mềm có thể diễn giải nội dung hình ảnh. Nhưng hành trình vẫn còn dài trước khi máy móc có thể tái tạo hoàn toàn chức năng thị giác của con người.

Sơ lược lịch sử thị giác máy tính

Dự án “Summer Vision Project” năm 1966 của Seymour Papert và Marvin Minsky, hai nhà tiên phong về trí tuệ nhân tạo, là một nỗ lực nhằm tạo ra hệ thống máy tính nhận dạng vật thể trong ảnh. Mục tiêu là xác định pixel thuộc về vật thể nào, một việc dễ dàng đối với con người nhưng lại là thách thức lớn đối với máy tính.

Vào thời điểm đó, phương pháp tiếp cận chủ yếu là AI symbolic, dựa trên quy tắc do lập trình viên đặt ra. Tuy nhiên, việc tạo ra các quy tắc cho mọi góc nhìn, điều kiện ánh sáng và bối cảnh là bất khả thi. Dự án này đã không đạt được nhiều kết quả.

Năm 1979, Kunihiko Fukushima đề xuất neocognitron, một hệ thống thị giác máy tính dựa trên nghiên cứu về vỏ não thị giác của con người. Mặc dù không thể thực hiện các nhiệm vụ phức tạp, neocognitron đã đặt nền móng cho những phát triển quan trọng sau này.

Cuộc cách mạng học sâu

Vào những năm 1980, Yan LeCun giới thiệu mạng nơ-ron tích chập (CNN), lấy cảm hứng từ neocognitron. CNN gồm nhiều lớp nơ-ron nhân tạo, mô phỏng hoạt động của nơ-ron sinh học.

Các lớp của mạng nơ-ron tích chập (CNN) phân tích hình ảnh từ đặc trưng cơ bản đến đối tượng cụ thể, hỗ trợ thị giác máy tính.

Mỗi lớp CNN trích xuất các đặc trưng từ pixel. Các lớp đầu tiên phát hiện cạnh, góc và hình dạng. Các lớp sau phát hiện các đối tượng phức tạp như khuôn mặt, cửa ra vào và xe hơi. Lớp đầu ra cung cấp xác suất của các đối tượng trong ảnh.

Mặc dù tiềm năng, CNN đòi hỏi lượng dữ liệu và tài nguyên tính toán lớn, chưa có sẵn vào thời điểm đó. CNN được ứng dụng hạn chế trong ngân hàng và bưu chính, nhưng chưa thành công trong nhận dạng đối tượng.

Năm 2012, AlexNet, một CNN, đã chiến thắng cuộc thi ImageNet. Sự kiện này đã khơi dậy lại sự quan tâm đến CNN và tạo ra cuộc cách mạng trong học sâu (Deep Learning). Nhờ những tiến bộ trong CNN và học sâu, thị giác máy tính đã có những bước phát triển vượt bậc.

Ứng dụng của Thị giác Máy tính

Thị giác máy tính được ứng dụng rộng rãi trong cuộc sống hàng ngày, từ tìm kiếm hình ảnh trên Google, nâng cao chất lượng ảnh trong Adobe Lightroom CC, đến nhận diện khuôn mặt trên iPhone và Facebook. Công nghệ này cũng được sử dụng trong thanh toán qua nhận diện khuôn mặt và giám sát an ninh.

Trong y học, thị giác máy tính hỗ trợ phân tích hình ảnh y tế, dự đoán ung thư từ tia X và MRI. Xe tự lái sử dụng thị giác máy tính để hiểu môi trường xung quanh, phát hiện người, xe cộ và vật thể khác.

Những hạn chế của Thị giác Máy tính

Mặc dù hiệu quả trong phân loại và định vị đối tượng, các hệ thống thị giác máy tính hiện tại vẫn dựa trên so sánh mẫu pixel và chưa thực sự hiểu nội dung hình ảnh. Chúng thiếu hiểu biết về ngữ cảnh và kiến thức nền tảng.

Ví dụ, các thuật toán có thể phát hiện ảnh khoả thân nhưng khó phân biệt giữa ảnh nghệ thuật và nội dung khiêu dâm. Tương tự, chúng khó phân biệt giữa tuyên truyền cực đoan và phim tài liệu.

Con người có thể sử dụng kiến thức để xử lý các tình huống mới. Ngược lại, thuật toán thị giác máy tính cần được huấn luyện kỹ lưỡng và dễ bị rối loạn khi gặp tình huống khác biệt.

Hiện tại, giải pháp là huấn luyện AI với nhiều dữ liệu hơn. Tuy nhiên, nếu không có nhận thức theo ngữ cảnh, vẫn sẽ có những điểm mù. Nhiều chuyên gia tin rằng thị giác máy tính thực sự chỉ đạt được khi chúng ta tạo ra trí tuệ nhân tạo tổng quát, có khả năng giải quyết vấn đề tương tự như con người.