បញ្ហា (The Problem)៖ ការវិភាគអាកប្បកិរិយាសត្វក្នុងការស្រាវជ្រាវជីវវេជ្ជសាស្រ្តគឺជាដំណើរការដែលចំណាយពេលច្រើននិងងាយរងកំហុស (ឧទាហរណ៍៖ មនុស្សត្រូវការ ២៥ នាទីដើម្បីវិភាគវីដេអូត្រឹម ១ នាទី) ដែលទាមទារឱ្យមានប្រព័ន្ធកុំព្យូទ័រស្វ័យប្រវត្តិកម្មជំនួស។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ឧបករណ៍កត់ចំណាំវីដេអូតាមគេហទំព័រ ដើម្បីប្រមូលទិន្នន័យ និងសាងសង់គំរូបញ្ញាសិប្បនិម្មិត (Deep Learning) សម្រាប់ចាត់ថ្នាក់សកម្មភាពសត្វកណ្តុរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SVMHMM with HMAX and Background Subtraction (Current System) ប្រព័ន្ធចាស់ប្រើប្រាស់ SVMHMM ជាមួយ HMAX និងការកាត់ផ្ទៃខាងក្រោយ |
ដំណើរការបានល្អគួរសមលើការកត់ត្រាសកម្មភាព និងធ្លាប់ប្រើប្រាស់ជាស្តង់ដារក្នុងមន្ទីរពិសោធន៍។ | ត្រូវការការកែសម្រួលដោយមនុស្សច្រើន និងងាយរងបរាជ័យពេលមានការផ្លាស់ប្តូរបរិស្ថានតិចតួច (ដូចជាពន្លឺ ឬទីតាំងទ្រុង)។ | ទទួលបានភាពត្រឹមត្រូវប្រមាណ ៨០% តែចំណាយពេលយូរក្នុងការរៀបចំទិន្នន័យ។ |
| Pretrained CNN with Shape and Motion Features បណ្តាញ CNN ប្រើលក្ខណៈរូបរាងនិងចលនា ដែលបានហ្វឹកហាត់ជាមុន (Pretrained) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត មិនត្រូវការកាត់ផ្ទៃខាងក្រោយ សម្របខ្លួនបានល្អ និងដំណើរការលឿនខ្លាំង (១២ វិនាទី សម្រាប់វីដេអូ ១ នាទី)។ | អាចនៅមានការភាន់ច្រឡំខ្លះរវាងសកម្មភាពដែលស្រដៀងគ្នាខ្លាំង (ឧទាហរណ៍៖ ការហិត និងការសម្អាតខ្លួន)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតរហូតដល់ ៨៣.៦% និងមានល្បឿនលឿនជាងប្រព័ន្ធចាស់ ៨ ដង។ |
| Long-Term Recurrent Convolutional Networks (LSTM) បណ្តាញសរសៃប្រសាទ LSTM សម្រាប់វិភាគលំដាប់ពេលវេលា |
មានសក្តានុពលខ្ពស់ក្នុងការយល់ដឹងពីទំនាក់ទំនងទិន្នន័យតាមពេលវេលាបន្តបន្ទាប់។ | ត្រូវការទិន្នន័យច្រើនខ្លាំងដើម្បីហ្វឹកហាត់ បើមិនដូច្នេះទេវានឹងងាយរៀនទន្ទេញ (Overfitting) ដែលធ្វើឲ្យលទ្ធផលមិនសូវល្អ។ | ទទួលបានភាពត្រឹមត្រូវត្រឹម ៨១.៤% ដែលទាបជាងការរំពឹងទុកដោយសារកង្វះទិន្នន័យហ្វឹកហាត់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រដែលមានកម្លាំងក្រាហ្វិកខ្លាំង និងការកសាងប្រព័ន្ធប្រមូលទិន្នន័យវីដេអូដែលទាមទារកម្លាំងពលកម្មមនុស្សច្រើនក្នុងការកត់ចំណាំ (Annotation)។
ទិន្នន័យត្រូវបានប្រមូលផ្តុំនៅក្នុងមជ្ឈមណ្ឌលជីវវេជ្ជសាស្ត្រ Brown ទៅលើសត្វកណ្តុរពិសោធន៍ក្នុងបរិយាកាសទ្រុងដែលគ្រប់គ្រងបានយ៉ាងល្អ (ពន្លឺថេរ, កាមេរ៉ាអាំងប្រារ៉េដ)។ សម្រាប់ប្រទេសកម្ពុជា ការពឹងផ្អែកលើបរិស្ថានថេរពេកអាចជាបញ្ហាបើសិនជាត្រូវអនុវត្តប្រព័ន្ធនេះក្នុងកសិដ្ឋានបើកចំហរ ឬតំបន់ព្រៃដែលពន្លឺនិងទីតាំងកាមេរ៉ាមិនមានស្ថិរភាពពេញលេញ។
ទោះបីជាការសិក្សានេះផ្តោតលើសត្វកណ្តុរក្នុងមន្ទីរពិសោធន៍ក៏ដោយ វិធីសាស្ត្រនៃការប្រើប្រាស់ Computer Vision នេះមានសក្តានុពលខ្ពស់សម្រាប់ការអភិវឌ្ឍនិងអនុវត្តនៅកម្ពុជា។
សរុបមក បច្ចេកទេស Deep Learning សម្រាប់ការវិភាគវីដេអូនេះ គឺជាឧបករណ៍ដ៏មានតម្លៃដែលអាចបំប្លែងការងារស្រាវជ្រាវដោយដៃដែលចំណាយពេលយូររាប់ម៉ោង ទៅជាប្រព័ន្ធស្វ័យប្រវត្តិកម្មដ៏ឆ្លាតវៃក្នុងវិស័យកសិកម្ម សុខាភិបាល និងការអភិរក្សនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Networks | បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគទិន្នន័យរូបភាពនិងវីដេអូ ដោយប្រើប្រាស់តម្រង (Filters) ដើម្បីស្កេនរកលក្ខណៈពិសេសៗដូចជា គែម ទ្រង់ទ្រាយ និងចលនារបស់វត្ថុ។ | ដូចជាមនុស្សកំពុងយកកែវពង្រីកមកឆ្លុះមើលរូបភាពម្ដងមួយចំណែកតូចៗ ដើម្បីដឹងថាវត្ថុក្នុងរូបភាពនោះមានរូបរាងជាអ្វី។ |
| Long-Short Term Memory (LSTM) | ប្រភេទបណ្ដាញសរសៃប្រសាទ Recurrent (RNN) ដែលមានសមត្ថភាពចងចាំព័ត៌មានពីអតីតកាលក្នុងរយៈពេលវែង និងអាចសម្រេចចិត្តថាតើព័ត៌មានណាគួរបន្តរក្សាទុក ឬគួរលុបចោល សម្រាប់ការវិភាគទិន្នន័យតាមលំដាប់ពេលវេលា (ដូចជាវីដេអូ)។ | ដូចជាការអានសៀវភៅរឿង ដែលអ្នកត្រូវចងចាំតួអង្គសំខាន់ៗតាំងពីដើមរឿង និងបំភ្លេចចោលព័ត៌មានតូចតាចដែលមិនសំខាន់ ដើម្បីយល់សាច់រឿងទាំងមូល។ |
| Batch normalization | បច្ចេកទេសក្នុង Deep Learning ដែលធ្វើឲ្យទិន្នន័យបញ្ចូល (Inputs) នៃស្រទាប់នីមួយៗក្នុងបណ្ដាញទៅជាទម្រង់ស្តង់ដាររួមមួយ ដែលជួយឲ្យម៉ូដែលរៀនបានលឿន និងមានស្ថិរភាពជាងមុន។ | ដូចជាការប្ដូររូបិយប័ណ្ណបរទេសចម្រុះជាច្រើន ទៅជារូបិយប័ណ្ណតែមួយ (ឧទាហរណ៍៖ ដុល្លារ) ដើម្បីឲ្យគណនេយ្យករងាយស្រួលគណនានិងធ្វើការលឿនជាងមុន។ |
| Gradient Clipping | យន្តការសម្រាប់ទប់ស្កាត់បញ្ហាការកើនឡើងខ្លាំងខុសប្រក្រតីនៃការគណនា (Exploding Gradient Problem) ក្នុងពេលហ្វឹកហាត់ម៉ូដែល ដោយកំណត់កម្រិតអតិបរមានៃទំហំតួលេខ Gradient មិនឲ្យលើសពីតម្លៃដែលបានកំណត់។ | ដូចជាការកំណត់ល្បឿនអតិបរមារបស់រថយន្ត ដើម្បីការពារកុំឲ្យរថយន្តបើកលឿនពេកហួសពីការគ្រប់គ្រងដែលនាំឲ្យមានគ្រោះថ្នាក់។ |
| Pretraining | ដំណើរការនៃការយកម៉ូដែល AI ដែលត្រូវបានហ្វឹកហាត់រួចជាស្រេចលើទិន្នន័យដ៏ធំ (ដូចជា ImageNet) មកប្រើប្រាស់ជាមូលដ្ឋានសម្រាប់ដោះស្រាយបញ្ហាថ្មី ដើម្បីសន្សំពេលវេលា និងបង្កើនភាពត្រឹមត្រូវ។ | ដូចជាការជួលចុងភៅដែលមានបទពិសោធន៍ធ្វើម្ហូបអឺរ៉ុបរួចហើយ មកបង្ហាត់បន្ថែមបន្តិចបន្តួចឲ្យចេះធ្វើម្ហូបខ្មែរ លឿនជាងការយកអ្នកអត់ចេះសោះមកបង្រៀនពីសូន្យ។ |
| Backpropogation | ក្បួនគណិតវិទ្យាដែលជួយប្រាប់បណ្ដាញសរសៃប្រសាទអំពីរបៀបកែតម្រូវទម្ងន់ (Weights) របស់វាដោយផ្ញើព័ត៌មានពីកំហុសឆ្គងត្រឡប់ពីស្រទាប់ចុងក្រោយទៅស្រទាប់ដំបូង ដើម្បីកាត់បន្ថយកំហុសនៅក្នុងការទស្សន៍ទាយលើកក្រោយ។ | ដូចជាចៅហ្វាយនាយម្នាក់ឃើញកំហុសលទ្ធផលការងារចុងក្រោយ រួចដើរប្រាប់កូនចៅតាមផ្នែកនីមួយៗត្រឡប់ទៅក្រោយវិញ ដើម្បីឲ្យពួកគេកែតម្រូវការងាររៀងៗខ្លួន។ |
| Hyperparameter | អថេរឬការកំណត់កម្រិតជាមុនដែលអ្នកអភិវឌ្ឍត្រូវកំណត់ដោយផ្ទាល់ (ដូចជា Learning Rate ឬ Batch Size) មុនពេលចាប់ផ្ដើមហ្វឹកហាត់ម៉ូដែល AI ដោយវាមិនមែនជាតម្លៃដែលម៉ូដែលរៀនដោយខ្លួនឯងនោះទេ។ | ដូចជាការកំណត់កម្ដៅនិងពេលវេលានៅលើម៉ាស៊ីនដុតនំ (Oven) ជាមុន អ្នកត្រូវកំណត់ឲ្យត្រូវទើបនំឆ្អិនល្អ។ |
| Overfitting | បញ្ហាដែលកើតឡើងនៅពេលម៉ូដែល AI រៀនទន្ទេញទិន្នន័យហ្វឹកហាត់បានល្អពេក រហូតដល់វាបរាជ័យក្នុងការទស្សន៍ទាយឲ្យបានត្រឹមត្រូវនៅពេលជួបប្រទះទិន្នន័យថ្មីដែលវាមិនធ្លាប់ឃើញពីមុន។ | ដូចជាសិស្សដែលខំទន្ទេញចម្លើយវិញ្ញាសាចាស់ៗចាំរត់មាត់ តែប្រឡងធ្លាក់នៅពេលគ្រូចេញលំហាត់ថ្មីដែលមានទម្រង់ខុសពីមុនបន្តិចបន្តួច។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
