“ViVQA: A modern Vietnamese Visual Question Answering for SOTA solutions” là công trình khoa học do nhóm sinh viên: Trần Quốc Khánh, Nguyễn Trọng Ân, Dương Văn Bình và Lê Trần Hoài Ân, ngành Khoa học Dữ liệu, khoa Khoa học & Kỹ thuật thông tin, trường ĐH CNTT (ĐHQG TP. HCM) thực hiện. Bài báo của nhóm đã được đăng tại Hội nghị quốc tế về Xử lý ngôn ngữ tự nhiên PACLIC.
Theo nhóm, hỏi đáp dựa trên hình ảnh (Visual Questions Answering) là một lĩnh vực khá mới mẻ, là một trong những lĩnh vực nghiên cứu tiềm năng với sự kết hợp của xử lý ngôn ngữ tự nhiên và thị giác máy tính. Việc đưa ra một hình ảnh cùng với câu hỏi về nó, một hệ thống hỏi đáp có thể trích xuất được các thông tin cơ bản về ảnh và trả lời các câu hỏi liên quan, công việc đơn giản đối với con người nhưng lại là thách thức lớn đối với máy tính.
 |
Nhóm nghiên cứu nhận giải thưởng tại Liên hoan Tuổi trẻ sáng tạo TP. HCM năm 2021. |
Nguyễn Trọng Ân cho biết: “Các công trình nghiên cứu hiện nay đã có trên tiếng Anh, tiếng Nhật và một vài ngôn ngữ khác, nhưng trên tiếng Việt vẫn chưa có vì hạn chế về dữ liệu. Chính vì lý do đó, nhóm quyết định thực hiện đề tài này với mục tiêu xây dựng một bộ dữ liệu để góp phần phát triển các hệ thống hỏi đáp trên ảnh tự động cho tiếng Việt. Chúng mình là một nhóm bạn thân. Có nhiều ý tưởng và sở thích nghiên cứu giống nhau nên khi nhận được gợi ý từ ThS Nguyễn Văn Kiệt về Visual Questions Answering, cả nhóm bắt tay vào làm luôn. Nhóm cảm thấy đề tài này rất thú vị và có tính ứng dụng cao nên cả nhóm bắt đầu nghiên cứu thực hiện đề tài này cho ngôn ngữ tiếng Việt”.
Dự án này được thực hiện trong vòng 12 tháng, gồm nhiều công đoạn có thể như xác định hướng đi cho đề tài, tìm hiểu các công trình nghiên cứu liên quan, xây dựng bộ dữ liệu, sau đó tiến hành thực nghiệm và huấn luyện các mô hình trên bộ dữ liệu đã được xây dựng, và cuối cùng là quá trình kiểm định, đánh giá và phát triển mô hình.
Bộ dữ liệu được nhóm xây dựng trên miền dữ liệu các hình ảnh từ MS COCO, cùng với đó là việc triển khai mô hình VisualQA sử dụng các phương pháp khác nhau như LSTM, CNN và Hierarchical Co-Attention để đánh giá hiệu suất trên bộ dữ liệu cũng như trình bày về các tinh chỉnh trong các mô hình mà nhằm tìm ra mô hình cho kết quả tốt nhất với bộ dữ liệu này. Một thách thức lớn nhất đối với nhóm là mất nhiều thời gian để hiện thực bộ dữ liệu bởi vì muốn hệ thống hỏi đáp đạt độ chính xác cao.
Bên cạnh đó, tính mới của dự án cũng là một thử thách lớn. Hỏi đáp tự động trên ảnh (VQA) là một lĩnh vực vẫn còn mới ở Việt Nam. Chính vì vậy, tài liệu tham khảo cũng như tài nguyên các bộ dữ liệu về lĩnh vực này chủ yếu trên tiếng Anh. Tìm kiếm và nghiên cứu tài liệu bằng tiếng Việt đã “ngốn” không ít thời gian của nhóm.
Khi phát triển thành công, hệ thống do nhóm thực hiện có thể giúp những người khiếm thị có thể nhận biết được những thông tin xung quanh mình qua việc đặt các câu hỏi và nhận về đáp án cụ thể từ hệ thống. Đây đều là các cuộc thi và giải thưởng nhằm tìm kiếm, tuyên dương các tác giả, sản phẩm có tính ứng dụng cao về khoa học kỹ thuật và tuyển chọn các sản phẩm tiêu biểu tham gia Liên hoan Tuổi trẻ sáng tạo toàn quốc năm 2021.
Ngoài được đăng trên kỷ yếu hội thảo khoa học quốc tế, nghiên cứu của nhóm còn giành giải Ba cuộc thi Makerthon và Huy chương Đồng, Giải thưởng Thiết kế - Chế tạo - Ứng dụng năm 2021.
