បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការទាញយកនិងកំណត់អត្តសញ្ញាណវត្ថុដោយស្វ័យប្រវត្តិពីរូបភាព ដោយផ្ដោតលើការកែលម្អភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពតាមរយៈបច្ចេកវិទ្យារៀនស៊ីជម្រៅ (Deep Learning) ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអភិវឌ្ឍនិងប្រើប្រាស់ទម្រង់បណ្ដាញសរសៃប្រសាទស៊ីជម្រៅ (Deep CNN architecture) ដើម្បីវិភាគ ចំណាត់ថ្នាក់ និងរកឃើញវត្ថុចេញពីសំណុំទិន្នន័យស្តង់ដារ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed Deep Convolutional Neural Network (CNN) បណ្ដាញសរសៃប្រសាទកុំព្យូទ័រស៊ីជម្រៅដែលបានស្នើ |
មានសមត្ថភាពខ្ពស់ក្នុងការទាញយកលក្ខណៈពិសេសពីរូបភាពដោយស្វ័យប្រវត្តិ និងមានភាពធន់ទៅនឹងការផ្លាស់ប្តូរទម្រង់រូបភាព (shift and deformation invariance)។ | ទាមទារថាមពលគណនាខ្ពស់ ត្រូវការអង្គចងចាំធំ និងប្រើប្រាស់ពេលវេលាយូរក្នុងការហ្វឹកហាត់។ | សម្រេចបានភាពត្រឹមត្រូវនៃទិន្នន័យផ្ទៀងផ្ទាត់ (Validation Accuracy) កម្រិត 84.89% លើសំណុំទិន្នន័យ CIFAR-10។ |
| Traditional Computer Vision Approaches វិធីសាស្ត្រកុំព្យូទ័រចក្ខុវិស័យបែបប្រពៃណី |
ប្រើប្រាស់ថាមពលគណនាតិច និងមិនសូវទាមទារផ្នែករឹង (Hardware) ធុនធ្ងន់។ | ប្រឈមនឹងបញ្ហាគម្លាតអត្ថន័យ (Semantic gap) រវាងព័ត៌មានកម្រិតភិចសែលនិងការយល់ដឹងរបស់មនុស្ស ធ្វើឱ្យភាពត្រឹមត្រូវមានកម្រិតទាប។ | មិនមានលទ្ធផលជាក់លាក់ត្រូវបានបង្ហាញ ប៉ុន្តែត្រូវបានលើកឡើងថាមិនសូវមានប្រសិទ្ធភាពធៀបនឹង Deep Learning នាពេលបច្ចុប្បន្ន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តនិងការហ្វឹកហាត់ម៉ូដែលនេះទាមទារធនធានកុំព្យូទ័រធំ ជាពិសេសផ្នែករឹងដែលអាចគណនាទិន្នន័យបានលឿននិងមានប្រសិទ្ធភាព។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យស្តង់ដារ CIFAR-10 ដែលមានរូបភាពទំហំតូចៗបំផុត (32x32) និងមានចំណាត់ថ្នាក់វត្ថុទូទៅដូចជា ឡាន សត្វឆ្មា និងយន្តហោះ។ វាមិនមានផ្ទុករូបភាពជាក់លាក់នៃបរិបទប្រទេសកម្ពុជា ដូចជារ៉ឺម៉កកង់បី ទិដ្ឋភាពផ្លូវថ្នល់ក្នុងស្រុក ឬលក្ខខណ្ឌអាកាសធាតុជាក់ស្តែងនោះទេ ដែលទាមទារការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមសម្រាប់ការប្រើប្រាស់ជាផ្លូវការ។
ទោះបីជាម៉ូដែលក្នុងឯកសារនេះជាការសាកល្បងកម្រិតមូលដ្ឋាន ប៉ុន្តែវិធីសាស្ត្រ CNN នេះមានសក្តានុពលខ្ពស់សម្រាប់កែច្នៃនិងអនុវត្តនៅក្នុងប្រទេសកម្ពុជា។
ជារួម បច្ចេកវិទ្យា CNN នេះគឺជាមូលដ្ឋានគ្រឹះដ៏សំខាន់ ប៉ុន្តែភាពជោគជ័យនៃការអនុវត្តក្នុងពិភពពិតនៅកម្ពុជា គឺអាស្រ័យលើការវិនិយោគលើ GPU និងការកសាងសំណុំទិន្នន័យក្នុងស្រុកដែលមានគុណភាពខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network | ជាប្រភេទនៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតជ្រៅ ដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់វិភាគ និងទាញយកលក្ខណៈពិសេសពីទិន្នន័យរូបភាព (ដូចជាទម្រង់ ពណ៌ និងគែម) តាមរយៈការប្រើប្រាស់ប្រតិបត្តិការគណិតវិទ្យា Convolution ។ | ដូចជាកែវពង្រីកដែលរំកិលបន្តិចម្តងៗឆ្លងកាត់រូបភាពទាំងមូល ដើម្បីស្វែងរកចំណុចសំខាន់ៗ និងកំណត់សម្គាល់រូបរាងរបស់វត្ថុ។ |
| Back propagation | ជាក្បួនដោះស្រាយសម្រាប់ហ្វឹកហាត់បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត ដោយគណនាកម្រិតកំហុសពីលទ្ធផលទស្សន៍ទាយ រួចបញ្ជូនព័ត៌មានកំហុសនោះថយក្រោយវិញ ដើម្បីកែតម្រូវទម្ងន់ទិន្នន័យ (weights) នៅក្នុងស្រទាប់នីមួយៗឱ្យកាន់តែត្រឹមត្រូវ។ | ដូចជាសិស្សដែលធ្វើលំហាត់ខុស ហើយគ្រូប្រាប់ពីកំហុសនោះ ដើម្បីឱ្យសិស្សត្រឡប់ទៅរកមើលកន្លែងខុស និងកែតម្រូវការគិតរបស់ខ្លួនឡើងវិញនៅពេលក្រោយ។ |
| gradient descent | ជាវិធីសាស្ត្រគណិតវិទ្យាក្នុងការធ្វើឱ្យប្រសើរឡើង (Optimization) ដែលស្វែងរកតម្លៃទាបបំផុតនៃអនុគមន៍កំហុស (Loss Function) ដោយធ្វើការផ្លាស់ប្តូរតម្លៃប៉ារ៉ាម៉ែត្របន្តិចម្តងៗក្នុងទិសដៅផ្ទុយពីភាពជម្រាលនៃកំហុសនោះ។ | ដូចជាមនុស្សបិទភ្នែកដើរចុះពីលើភ្នំ ដោយស្ទាបរកទិសដៅណាដែលជម្រាលចុះក្រោមខ្លាំងជាងគេរហូតដល់បាតជ្រលងភ្នំ (កន្លែងដែលកំហុសតិចបំផុត)។ |
| learning rate | ជាប៉ារ៉ាម៉ែត្រគ្រប់គ្រង (Hyperparameter) ដែលកំណត់ទំហំនៃជំហាននីមួយៗ នៅពេលដែលម៉ូដែលធ្វើការអាប់ដេត ឬកែតម្រូវទម្ងន់ទិន្នន័យរបស់វាក្នុងអំឡុងពេលហ្វឹកហាត់។ បើធំពេកអាចធ្វើឱ្យខុសគោលដៅ បើតូចពេកស៊ីពេលយូរ។ | ដូចជាប្រវែងនៃជំហានដែលយើងបោះនៅពេលដើរចុះភ្នំ បើបោះជំហានធំពេកអាចរំលងគោលដៅ បើបោះជំហានតូចពេកប្រើពេលយូរទើបទៅដល់។ |
| max pooling | ជាប្រតិបត្តិការបង្រួមទំហំទិន្នន័យនៅក្នុងបណ្ដាញ CNN ដោយជ្រើសរើសយកតែតម្លៃដែលធំបំផុតចេញពីតំបន់តូចៗនៃទិន្នន័យរូបភាព ដើម្បីកាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្រនៃការគណនា និងរក្សាទុកតែលក្ខណៈពិសេសលេចធ្លោ។ | ដូចជាការសង្ខេបអត្ថបទមួយផ្ទាំង ដោយជ្រើសរើសយកតែពាក្យគន្លឹះសំខាន់ៗបំផុតមកទុក ដើម្បីងាយស្រួលចំណាំនិងមិនចំណាយពេលអានច្រើន។ |
| dropout | ជាបច្ចេកទេសការពារម៉ូដែលកុំឱ្យទន្ទេញទិន្នន័យចាំពេក (Overfitting) ដោយធ្វើការបិទ ឬមិនអើពើចំពោះណឺរ៉ូន (neurons) មួយចំនួនដោយចៃដន្យ ក្នុងកំឡុងពេលនៃការហ្វឹកហាត់។ | ដូចជាការបង្វឹកកីឡាករដោយបិទភ្នែកគាត់ម្ខាងម្តងម្កាល ដើម្បីឱ្យគាត់ចេះពឹងផ្អែកលើញ្ញាណផ្សេងៗទៀត ជៀសវាងការពឹងផ្អែកតែលើសមត្ថភាពណាមួយ។ |
| Confusion matrix | ជាតារាងសម្រាប់វាយតម្លៃប្រសិទ្ធភាពនៃម៉ូដែលចំណាត់ថ្នាក់ ដែលបង្ហាញសរុបនូវចំនួននៃការទស្សន៍ទាយបានត្រឹមត្រូវ និងការទស្សន៍ទាយខុសច្រឡំគ្នា ធៀបទៅនឹងទិន្នន័យជាក់ស្តែងនៃប្រភេទនីមួយៗ។ | ដូចជាតារាងពិន្ទុដែលបង្ហាញថា តើសិស្សឆ្លើយត្រូវប៉ុន្មានសំណួរ និងមានភាពភាន់ច្រឡំគ្នាប៉ុន្មានដង (ឧទាហរណ៍៖ មើលរូបឆ្មា តែឆ្លើយថាជាឆ្កែអស់ ៣ ដង)។ |
| soft max | ជាអនុគមន៍សកម្មភាព (Activation function) ដែលភាគច្រើនប្រើនៅស្រទាប់ចុងក្រោយបង្អស់នៃបណ្ដាញ ដើម្បីបំប្លែងលទ្ធផលលេខទៅជាតម្លៃប្រូបាប៊ីលីតេ ដែលបូកបញ្ចូលគ្នាទាំងអស់ស្មើ ១ (ឬ ១០០%) សម្រាប់កំណត់ប្រភេទនៃវត្ថុណាមួយ។ | ដូចជាការបែងចែកនំមួយដុំទៅឱ្យវត្ថុ ១០ ប្រភេទ ដោយប្រាប់ពីភាគរយភាពច្បាស់លាស់ (ឧទាហរណ៍៖ ម៉ូដែលប្រាប់ថាមានភាគរយ ៩០% ជារូបឡាន និង ៥% ជារូបកង់)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
