បញ្ហា (The Problem)៖ ការសម្គាល់កាយវិការដៃសកម្មដោយស្វ័យប្រវត្តិមានភាពស្មុគស្មាញដោយសារភាពចម្រុះនៃប្រភេទកាយវិការ កម្រិតភាពច្បាស់ទាប និងបញ្ហានៃការតម្រឹមស៊ុម (Frame alignment) ក្នុងវីដេអូ។ ឯកសារនេះដោះស្រាយបញ្ហានេះដោយប្រើបច្ចេកវិទ្យា Deep Learning ដើម្បីចាប់យកចលនាដៃ និងលុបបំបាត់ការរំខានពីផ្ទៃខាងក្រោយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្ររួមបញ្ចូលបណ្តាញណឺរ៉ូន (Neural Networks) ដើម្បីទាញយកលក្ខណៈចលនា និងគណនាប្រូបាប៊ីលីតេសម្រាប់ការតម្រឹមស្លាកកាយវិការយ៉ាងសុក្រឹត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed Method (Two-stream CNN-LSTM with CTC) ម៉ូដែលស្នើឡើង (CNN-LSTM បែបពីរស្ទ្រីម ជាមួយ CTC) |
អាចតម្រឹមពេលវេលានៃកាយវិការដោយស្វ័យប្រវត្តិដោយមិនបាច់កាត់តវីដេអូជាមុន និងចាប់យកចលនាបានល្អតាមរយៈលំហូរអុបទិក។ | ទាមទារពេលវេលាបង្វឹកយូរដោយសារមានប៉ារ៉ាម៉ែត្រច្រើន ហើយនៅមានការភាន់ច្រឡំលើកាយវិការដែលស្រដៀងគ្នាខ្លាំង (ឧ. ប្រើម្រាម១ និងម្រាម២)។ | សម្រេចបានភាពត្រឹមត្រូវ ៨៦% |
| Simple Deep Neural Network (DNN) បណ្តាញណឺរ៉ូនសិប្បនិម្មិតកម្រិតជ្រៅធម្មតា (DNN) |
មានទម្រង់ស្ថាបត្យកម្មសាមញ្ញ និងងាយស្រួលក្នុងការអនុវត្តជាងម៉ូដែលស្មុគស្មាញបែប Spatiotemporal។ | ខ្វះសមត្ថភាពក្នុងការចាប់យកព័ត៌មានចលនាតាមពេលវេលា (Temporal details) បានល្អឥតខ្ចោះ។ | សម្រេចបានភាពត្រឹមត្រូវ ៧៧.៥៦% |
| HOG+HOG features and SVM លក្ខណៈ HOG ជាមួយម៉ាស៊ីន SVM |
មិនសូវទាមទារកម្លាំងម៉ាស៊ីនខ្លាំងក្នុងការគណនានិងបង្វឹក បើធៀបទៅនឹងបណ្តាញសិប្បនិម្មិតកម្រិតជ្រៅ (Deep Learning)។ | ជាវិធីសាស្ត្រចាស់ដែលប្រើលក្ខណៈទាញយកដោយដៃ (Handcrafted features) ធ្វើឱ្យភាពត្រឹមត្រូវមានកម្រិតទាបបំផុត។ | សម្រេចបានភាពត្រឹមត្រូវ ៦៤.៥% |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះបានបញ្ជាក់យ៉ាងច្បាស់អំពីតម្រូវការផ្នែករឹង និងផ្នែកទន់កម្រិតមធ្យមទៅខ្ពស់ ដើម្បីដំណើរការម៉ូដែល Deep Learning នេះប្រកបដោយប្រសិទ្ធភាព។
សំណុំទិន្នន័យ VIVA ត្រូវបានប្រមូលផ្តុំនៅក្នុងបរិបទយានយន្ត ដោយប្រើកាមេរ៉ា Kinect ផ្តោតលើអ្នកបើកបរ និងអ្នកដំណើរ។ ទោះបីជាវាមិនតំណាងឱ្យបរិយាកាសទូទៅទាំងអស់ក៏ដោយ ក៏លក្ខណៈពិសេសនៃទិន្នន័យដែលមានពន្លឺប្រែប្រួល និងកម្រិតភាពច្បាស់ទាប គឺស្រដៀងទៅនឹងស្ថានភាពជាក់ស្តែងពីកាមេរ៉ាសុវត្ថិភាព (CCTV) ភាគច្រើននៅកម្ពុជា ដែលធ្វើឱ្យមានអត្ថប្រយោជន៍ខ្ពស់ក្នុងការយកមកសិក្សា។
ទោះបីជាម៉ូដែលនេះត្រូវបានបង្កើតឡើងសម្រាប់ប្រើប្រាស់ក្នុងយានយន្តក៏ដោយ ក៏បច្ចេកវិទ្យាសម្គាល់កាយវិការនេះមានសក្តានុពលខ្ពស់សម្រាប់ការអនុវត្តជាក់ស្តែងនៅកម្ពុជា។
ជារួម បច្ចេកវិទ្យានេះអាចជំរុញការបង្កើតប្រព័ន្ធវៃឆ្លាតមិនបាច់ប៉ះ ដែលជួយលើកកម្ពស់អនាម័យ ភាពងាយស្រួល និងបរិយាប័ន្ននៅក្នុងវិស័យសាធារណៈ និងឯកជននៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Connectionist Temporal Classification (CTC) | ជាមុខងារគណនាការបាត់បង់ (Loss function) សម្រាប់បង្វឹកបណ្តាញណឺរ៉ូនដើម្បីសម្គាល់ទិន្នន័យជាស៊េរី (Sequence data) ដោយមិនចាំបាច់កាត់បែងចែក ឬតម្រឹមទិន្នន័យរូបភាពនិងលទ្ធផលដោយដៃពីមុនឡើយ។ វាជួយរកស៊ុម (Frame) ដែលត្រឹមត្រូវបំផុតសម្រាប់ការតម្រឹមស្លាកកាយវិការនីមួយៗ។ | ដូចជាគ្រូបង្រៀនដែលវាយតម្លៃសិស្សលើអត្ថន័យនៃប្រយោគទាំងមូល ជាងការចាប់កំហុសលើការបញ្ចេញសំឡេងនៃពាក្យនីមួយៗរៀងៗខ្លួន។ |
| Optical flow | ជាបច្ចេកទេសក្នុងកុំព្យូទ័រទស្សនៈ (Computer Vision) សម្រាប់គណនាគន្លង និងល្បឿននៃចលនារបស់វត្ថុរវាងស៊ុមរូបភាពពីរជាប់គ្នា ដែលជួយក្នុងការលុបបំបាត់ផ្ទៃខាងក្រោយដែលគ្មានចលនា និងរក្សាទុកតែព័ត៌មានចលនារបស់ដៃ។ | ដូចជាការគូសព្រួញនៅលើរូបភាពដើម្បីបង្ហាញថា តើវត្ថុមួយកំពុងផ្លាស់ទីទៅទិសណា និងលឿនប៉ុនណាបើធៀបនឹងមួយវិនាទីមុន។ |
| Long Short-Term Memory (LSTM) | ជាប្រភេទបណ្តាញណឺរ៉ូនសិប្បនិម្មិត (RNN) ពិសេសដែលអាចចងចាំព័ត៌មានក្នុងរយៈពេលយូរ ដែលស័ក្តិសមបំផុតសម្រាប់ការវិភាគទិន្នន័យតាមពេលវេលាដូចជាវីដេអូ ឬសំឡេង ដើម្បីយល់ពីទំនាក់ទំនងនៃចលនារវាងស៊ុមនីមួយៗ។ | ដូចជាខួរក្បាលមនុស្សដែលពេលកំពុងមើលកុន យើងអាចចាំសាច់រឿងតាំងពីដើមរហូតដល់ចប់ ដើម្បីយល់ពីអត្ថន័យទូទៅនៃខ្សែភាពយន្តនោះ។ |
| Convolutional Neural Network (CNN) | ជាប្រភេទបណ្តាញណឺរ៉ូនដែលពូកែខាងវិភាគរូបភាព ដោយប្រើប្រាស់តម្រង (Filters) ដើម្បីទាញយកលក្ខណៈពិសេសកម្រិតជ្រៅ (Deep features) ដូចជា គែម ទម្រង់ និងពណ៌ពីរូបភាព ដើម្បីសម្គាល់វត្ថុ។ | ដូចជាភ្នែករបស់យើងដែលសង្កេតមើលរូបភាពមួយដោយផ្តោតលើចំណុចតូចៗបន្តិចម្តងៗ រហូតដល់អាចប្រាប់បានថារូបនោះជារូបអ្វីពិតប្រាកដ។ |
| SoftMax layer | ជាស្រទាប់ចុងក្រោយនៃបណ្តាញណឺរ៉ូន ដែលបំប្លែងតម្លៃលទ្ធផលលេខធម្មតាទៅជាប្រូបាប៊ីលីតេ (ភាគរយ) ចន្លោះពី 0 ទៅ 1 សម្រាប់គ្រប់ថ្នាក់ (Classes) ទាំងអស់ រួចជ្រើសរើសចម្លើយដែលមានភាគរយខ្ពស់ជាងគេបំផុតសម្រាប់ធ្វើការសម្រេចចិត្ត។ | ដូចជាការបោះឆ្នោតជ្រើសរើសមេដឹកនាំ ដែលបេក្ខជនទទួលបានសំឡេងឆ្នោតច្រើនជាងគេ (គិតជាភាគរយ) នឹងក្លាយជាអ្នកឈ្នះ។ |
| Spatiotemporal feature | ជាទិន្នន័យលក្ខណៈពិសេសដែលរួមបញ្ចូលទាំងព័ត៌មានអំពីលំហ (Spatial - តើវត្ថុនោះមានរូបរាងយ៉ាងណា) និងព័ត៌មានអំពីពេលវេលា (Temporal - តើវត្ថុនោះផ្លាស់ទី និងប្រែប្រួលយ៉ាងណាតាមពេលវេលា) នៅក្នុងវីដេអូ។ | ដូចជាការរៀបរាប់ពីសកម្មភាពរបស់សត្វស្លាបហោះ ដែលយើងមិនត្រឹមតែដឹងថាវាជាសត្វស្លាបដោយសាររូបរាងវាទេ តែថែមទាំងដឹងពីរបៀបដែលវាបក់ស្លាបហោះហើរកាត់ខ្យល់។ |
| Dynamic programming | ជាវិធីសាស្ត្រដោះស្រាយបញ្ហាគណិតវិទ្យា ឬក្បួនអាល់កូរីតស្មុគស្មាញ ដោយបំបែកវាទៅជាបញ្ហាតូចៗងាយៗ ហើយរក្សាទុកចម្លើយនៃបញ្ហាតូចៗទាំងនោះដើម្បីកុំឱ្យគណនាច្រំដែល។ ក្នុងឯកសារនេះ វាត្រូវប្រើដើម្បីគណនា CTC loss យ៉ាងឆាប់រហ័ស។ | ដូចជាយើងគណនាលេខ 1+1+1+1+1=5 ហើយបើគេថែមលេខ +1 ទៀត យើងគ្រាន់តែយក 5+1=6 តែម្តង ដោយមិនបាច់ចាប់ផ្តើមបូកពីលេខ 1 ដំបូងសារជាថ្មីឡើយ។ |
| Back Propagation Through Time (BPTT) | ជាក្បួនអាល់កូរីតសម្រាប់បង្វឹកបណ្តាញណឺរ៉ូនប្រភេទវិលជុំ (RNN ដូចជា LSTM) ដោយធ្វើការគណនាកំហុសពីលទ្ធផលចុងក្រោយ រួចបញ្ជូនត្រឡប់ថយក្រោយតាមជំហានពេលវេលានីមួយៗ (Timestep) ដើម្បីកែតម្រូវទម្ងន់ (Weights) នៃបណ្តាញឱ្យកាន់តែសុក្រឹត។ | ដូចជាការរៀនពីកំហុសបន្ទាប់ពីប្រឡងធ្លាក់ ដោយត្រលប់ទៅពិនិត្យមើលមេរៀនតាំងពីថ្ងៃចូលរៀនដំបូងរហូតដល់ថ្ងៃប្រឡង ដើម្បីរកមើលថាយើងមិនយល់ឬខុសនៅត្រង់ចំណុចណាខ្លះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
