បញ្ហា (The Problem)៖ ឯកសារនេះកំណត់ និងដោះស្រាយបញ្ហានៃការចាត់ថ្នាក់រូបភាព ដោយបង្ហាញពីដែនកំណត់នៃក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) បែបប្រពៃណី ដែលមិនមានសមត្ថភាពគ្រប់គ្រាន់ក្នុងការទាញយកលក្ខណៈពិសេស (Feature extraction) ពីរូបភាពស្មុគស្មាញ និងមានសម្លេងរំខាន (Noisy samples)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការត្រួតពិនិត្យប្រវត្តិសាស្ត្រ និងការវិវត្តន៍យ៉ាងទូលំទូលាយលើស្ថាបត្យកម្មផ្សេងៗនៃ Convolutional Neural Networks (CNNs) ចាប់តាំងពីការចាប់ផ្តើមរហូតដល់ម៉ូដែលទំនើប។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVM) |
អាចជៀសវាងបញ្ហា Overfitting បានយ៉ាងល្អ និងផ្តល់ការពន្យល់លទ្ធផលបានច្បាស់លាស់។ វាមានប្រសិទ្ធភាពខ្ពស់លើការចាត់ថ្នាក់ទិន្នន័យតូចៗ។ | ការអនុវត្តមានភាពយឺតយ៉ាវនៅពេលមានទិន្នន័យច្រើន ហើយក្បួនដោះស្រាយមានភាពស្មុគស្មាញខ្លាំងក្នុងការកែសម្រួល។ | ល្អសម្រាប់ការចាត់ថ្នាក់រូបភាពកម្រិតមូលដ្ឋាន តែមិនអាចទាញយកលក្ខណៈពិសេសពីរូបភាពឆៅ (Raw images) បានដោយស្វ័យប្រវត្តិទេ។ |
| Artificial Neural Network (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
អាចអនុវត្តបានយ៉ាងល្អជាមួយទិន្នន័យធំៗ (Big Data) និងមានប្រសិទ្ធភាពទោះបីជាទិន្នន័យមានសម្លេងរំខាន (Noisy samples) ក៏ដោយ។ | ដំណើរការរៀនសូត្រ (Training) មានភាពយឺតយ៉ាវខ្លាំង និងទាមទារប្រព័ន្ធកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង។ | ជាម៉ូដែលមូលដ្ឋានគ្រឹះ ប៉ុន្តែមានកម្រិតក្នុងការទាញយកលក្ខណៈពិសេសស្មុគស្មាញពីរូបភាព បើធៀបនឹង CNN។ |
| VGGNet បណ្តាញ VGGNet |
ប្រើប្រាស់តម្រង (Filters) តូចៗទំហំ 3x3 ជាបន្តបន្ទាប់ ដែលជួយសម្រួលដល់ភាពស្មុគស្មាញនៃការគណនានិងបង្កើនភាពត្រឹមត្រូវខ្ពស់។ | មានចំនួនប៉ារ៉ាម៉ែត្រច្រើនរហូតដល់ ១៣៨ លាន ដែលធ្វើឲ្យម៉ូដែលនេះមានទំហំធំ និងតម្រូវការគណនាខ្ពស់។ | សម្រេចបានភាពត្រឹមត្រូវខ្ពស់រហូតដល់ 92.7% លើការសាកល្បងជាមួយ Image Dataset ដែលមានរូបភាពចំនួន ១៤ លានសន្លឹក និង ១០០០ ថ្នាក់។ |
| ResNet (Residual Neural Network) បណ្តាញសរសៃប្រសាទ ResNet |
ប្រើប្រាស់បច្ចេកទេស Skip Connections ដើម្បីដោះស្រាយបញ្ហាបាត់បង់ព័ត៌មាន (Vanishing Gradient)។ អាចបង្កើតបណ្តាញដែលមានជម្រៅជ្រៅរហូតដល់ ១៥២ ស្រទាប់ដោយរក្សាប្រសិទ្ធភាពខ្ពស់។ | ការគណនានៅតែមានទំហំធំ ហើយត្រូវការពេលច្រើនក្នុងការហ្វឹកហាត់ម៉ូដែលពីដំបូង បើធៀបនឹងបណ្តាញរាក់ៗ។ | ទទួលបានអត្រាកំហុសត្រឹមតែ 3.57% ប៉ុណ្ណោះលើការសាកល្បង ImageNet ដែលជាកម្រិតទាបជាងកំហុសរបស់មនុស្សធម្មតាទៅទៀត។ |
| MobileNet បណ្តាញ MobileNet |
មានទំហំតូច ស៊ីភ្លើងតិច កម្លាំងគណនាតិច និងមានភាពយឺតយ៉ាវទាប (Low-delay) ដែលស័ក្តិសមបំផុតសម្រាប់ឧបករណ៍ចល័ត។ | ត្រូវធ្វើការលះបង់ភាពត្រឹមត្រូវ (Accuracy) មួយផ្នែកតូច ដើម្បីទទួលបានល្បឿន និងទំហំតូចសម្រាប់ទូរស័ព្ទដៃ។ | អនុញ្ញាតឲ្យមានដំណើរការទាក់ទងនឹង Computer Vision (ដូចជាការចាត់ថ្នាក់ និងស្វែងរកវត្ថុ) ដំណើរការផ្ទាល់លើទូរស័ព្ទដៃដោយមិនចាំបាច់មាន Server ធំដុំ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់ថាការហ្វឹកហាត់ម៉ូដែល Deep Learning ជាពិសេស CNN ទាមទារធនធាន Hardware ខ្លាំងក្លាដូចជា GPU និងទិន្នន័យរូបភាពរាប់លានសន្លឹកដើម្បីធានាបាននូវភាពត្រឹមត្រូវខ្ពស់។
ការសិក្សា និងការអភិវឌ្ឍន៍ម៉ូដែលភាគច្រើនប្រើប្រាស់សំណុំទិន្នន័យអន្តរជាតិ (ដូចជា ImageNet) ដែលប្រមូលផ្តុំរូបភាពពីបរិបទបស្ចិមប្រទេសជាចម្បង។ សម្រាប់ប្រទេសកម្ពុជា នេះអាចបង្កជាបញ្ហាលម្អៀង (Bias) ដោយសារទម្រង់មុខ (Facial features) លក្ខណៈផ្លូវថ្នល់ យានយន្ត និងសញ្ញាចរាចរណ៍នៅកម្ពុជា មានលក្ខណៈខុសប្លែក ដែលអាចធ្វើឲ្យភាពត្រឹមត្រូវរបស់ម៉ូដែលធ្លាក់ចុះនៅពេលយកមកប្រើប្រាស់ផ្ទាល់។
ទោះបីជាមានបញ្ហាប្រឈមទាក់ទងនឹងទិន្នន័យក៏ដោយ ស្ថាបត្យកម្ម CNN ដែលបានរៀបរាប់ក្នុងឯកសារនេះ មានសក្តានុពលខ្ពស់ក្នុងការដោះស្រាយបញ្ហាជាក់ស្តែងនៅប្រទេសកម្ពុជា។
ការអនុវត្តបច្ចេកវិទ្យា Deep Learning អាចក្លាយជាកាតាលីករដ៏សំខាន់សម្រាប់ការរីកចម្រើននៃសេដ្ឋកិច្ចឌីជីថលនៅកម្ពុជា ប្រសិនបើមានការវិនិយោគលើការប្រមូលទិន្នន័យក្នុងស្រុកដើម្បីបង្កើនភាពត្រឹមត្រូវនៃម៉ូដែល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលប្រើប្រាស់ក្បួនគណនា Convolution ដើម្បីទាញយកលក្ខណៈពិសេសពីរូបភាព (ដូចជា គែម ទម្រង់ ឬពណ៌) សម្រាប់ការសម្គាល់ និងចាត់ថ្នាក់វត្ថុផ្សេងៗក្នុងវិស័យ Computer Vision។ | ប្រៀបដូចជាភ្នែក និងខួរក្បាលមនុស្សដែលស្កែនមើលរូបភាពម្តងមួយប្លុកៗ រួចផ្គុំព័ត៌មានទាំងនោះដើម្បីដឹងថាវាជារូបអ្វី។ |
| Feature Extraction | ជាដំណើរការនៃការបំប្លែងទិន្នន័យឆៅ (ដូចជាភីកសែលនៃរូបភាព) ទៅជាព័ត៌មាន ឬលក្ខណៈសំខាន់ៗដែលម៉ាស៊ីនអាចយល់បាន ដើម្បីងាយស្រួលក្នុងការវិភាគ និងចាត់ថ្នាក់ទិន្នន័យទាំងនោះ។ | ដូចជាការអានអត្ថបទដ៏វែងមួយ រួចដកស្រង់យកតែចំណុចសំខាន់ៗ (មេគំនិត) ដើម្បីងាយស្រួលចងចាំ។ |
| Pooling Layer | ជាស្រទាប់មួយក្នុង CNN ដែលមានតួនាទីកាត់បន្ថយទំហំវិមាត្រនៃទិន្នន័យ (Feature Map) ដោយរក្សាទុកតែព័ត៌មានសំខាន់ៗបំផុត ដើម្បីកាត់បន្ថយភាពស្មុគស្មាញនៃការគណនា និងទប់ស្កាត់ការចងចាំទិន្នន័យហួសកម្រិត (Overfitting)។ | ដូចជាការបង្រួមរូបភាព (Zoom out) ដើម្បីមើលទិដ្ឋភាពជារួម ដោយលុបចោលនូវព័ត៌មានលម្អិតតូចតាចដែលមិនចាំបាច់ចេញ។ |
| Fully Connected Layer (FC) | ជាស្រទាប់ចុងក្រោយនៅក្នុងបណ្តាញសរសៃប្រសាទ ដែលតភ្ជាប់ណឺរ៉ូនទាំងអស់ពីស្រទាប់មុនៗទៅកាន់ចំណុចទាំងអស់ក្នុងស្រទាប់របស់វា ដើម្បីធ្វើការបូកសរុបលក្ខណៈពិសេស និងធ្វើការសម្រេចចិត្តថាតើរូបភាពនោះជាអ្វីប្រាកដ។ | ដូចជាគណៈកម្មការដែលប្រមូលរបាយការណ៍សង្ខេបពីផ្នែកផ្សេងៗ រួចធ្វើការបោះឆ្នោតសម្រេចលទ្ធផលចុងក្រោយ។ |
| Overfitting | ជាបញ្ហាដែលកើតឡើងនៅពេលដែលម៉ូដែលរៀនទន្ទេញចាំទិន្នន័យហ្វឹកហាត់ (Training data) ខ្លាំងពេក រហូតដល់មិនអាចធ្វើការទស្សន៍ទាយបានត្រឹមត្រូវលើទិន្នន័យថ្មីដែលវាមិនធ្លាប់ជួប (Testing data)។ | ដូចជាសិស្សដែលទន្ទេញចាំតែលំហាត់ក្នុងសៀវភៅ តែពេលប្រឡងចេញលំហាត់រាងប្លែកបន្តិច ក៏ធ្វើមិនបាន។ |
| Dropout | ជាបច្ចេកទេសមួយសម្រាប់ដោះស្រាយបញ្ហា Overfitting ដោយធ្វើការបិទ (អសកម្ម) ណឺរ៉ូនមួយចំនួនដោយចៃដន្យកំឡុងពេលហ្វឹកហាត់ ដើម្បីកុំឲ្យបណ្តាញពឹងផ្អែកលើណឺរ៉ូនណាមួយខ្លាំងពេក។ | ដូចជាការបិទភ្នែកម្ខាងពេលហាត់ចាប់បាល់ ដើម្បីបង្ហាត់ឲ្យយើងចេះសម្របខ្លួនទោះបីជាខ្វះព័ត៌មាន ឬសមាជិកក្រុមណាម្នាក់អវត្តមានក៏ដោយ។ |
| Activation Function | ជាក្បួនគណិតវិទ្យាដែលកំណត់ថា តើណឺរ៉ូនមួយគួរតែបញ្ជូនព័ត៌មាន (សកម្ម) ទៅស្រទាប់បន្ទាប់ឬអត់ ដោយផ្អែកលើទម្ងន់នៃទិន្នន័យដែលវាទទួលបាន ដើម្បីជួយឲ្យបណ្តាញអាចយល់ពីទំនាក់ទំនងទិន្នន័យដែលមិនមែនជាបន្ទាត់ត្រង់ (Nonlinear)។ | ដូចជាកុងតាក់ភ្លើងឆ្លាតវៃដែលសម្រេចចិត្តថាត្រូវបើកឲ្យចរន្តអគ្គិសនីឆ្លងកាត់ឬអត់ អាស្រ័យលើកម្លាំងភ្លើងដែលរុញមក។ |
| Batch Normalization | ជាបច្ចេកទេសក្នុងការកែសម្រួលទិន្នន័យដែលបញ្ជូនចន្លោះស្រទាប់នីមួយៗឲ្យមានស្តង់ដាររួម (Standardization) ដើម្បីជួយឲ្យម៉ូដែលហ្វឹកហាត់បានលឿន និងមានលំនឹងជាងមុន។ | ដូចជាការបំប្លែងពិន្ទុសិស្សពីមុខវិជ្ជាផ្សេងៗដែលដាក់ពិន្ទុខុសៗគ្នា ឲ្យមកជាប្រព័ន្ធពិន្ទុភាគរយរួមតែមួយ ដើម្បីងាយស្រួលប្រៀបធៀបគ្នាក្នុងថ្នាក់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
