TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN HỆ THỐNG THÔNG TIN

NGUYỄN ĐÌNH LỘC - 15110243
PHẠM QUỐC BẢO - 15110161

Đề tài:

TÌM HIỂU BÀI TOÁN MÔ TẢ ẢNH THỜI TRANG
KHOÁ LUẬN TÔT NGHIỆP NGÀNH HỆ THỐNG THÔNG TIN

GIÁO VIÊN HƯỚNG DẪN

TS. NGUYỄN THIÊN BẢO

KHÓA 2015-2019

ĐH SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CNTT
*******

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh Phúc
*******

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên Sinh viên 1 : Nguyễn Đình Lộc

MSSV 1: 15110243

Họ và tên Sinh viên 2 : Phạm Quốc Bảo

MSSV 2: 15110161

Ngành: Công nghệ Thông tin
Tên đề tài : Tìm hiểu bài toán mô tả ảnh thời trang
Họ và tên Giáo viên hướng dẫn : T.S Nguyễn Thiên Bảo
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện :
Tìm hiểu kiến thức về học sâu, kiến trúc, cách hoạt động, huấn luyện của một số mạng nơ-ron cơ bản.
Tìm hiểu bài toán mô tả ảnh thời trang và một số phương pháp giải quyết bài toán mô tả ảnh thời.
Xây dựng và huấn luyện một mô hình cho bài toán mô tả ảnh thời trang.
Đề xuất các cải tiến cho mô hình mô tả ảnh thời trang, hiện thực hoá mô hình và so sánh kết quả với mô
hình gốc.
2. Ưu điểm :
Nắm được các lý thuyết về học sâu, trình bày được các cơ sở lý thuyết, toán học một cách chi tiết về mạng
nơ-ron nhân tạo.
Đề xuất cải tiến thành công, tăng được độ chính xác cho mô hình mô tả ảnh thời trang.
3. Khuyết điểm :
Đề xuất cải tiến vẫn chưa đạt được hiệu quả cao. Mô hình mô tả ảnh thời trang xây dựng được vẫn chưa
đạt được độ chính xác để có thể ứng dụng trong thực tế.
4. Đề nghị cho bảo vệ hay không ?
5. Đánh giá loại :
6. Điểm :
Tp. Hồ Chí Minh, ngày 16 tháng 7 năm 2019
Giáo viên hướng dẫn
(Ký &amp ghi rõ họ tên)

ĐH SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CNTT
*******

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh Phúc
*******

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
Họ và tên Sinh viên 1 : Nguyễn Đình Lộc

MSSV 1: 15110243

Họ và tên Sinh viên 2 : Phạm Quốc Bảo

MSSV 2: 15110161

Ngành: Công nghệ Thông tin
Tên đề tài : Tìm hiểu bài toán mô tả ảnh thời trang
Họ và tên Giáo viên phản biện : T.S Nguyễn Thành Sơn
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện :
………………………………………………………………………………………………………………
………………………………………………………………………………………………………………
………………………………………………………………………………………………………………
………………………………………………………………………………………………………………
2. Ưu điểm :
………………………………………………………………………………………………………………
………………………………………………………………………………………………………………
………………………………………………………………………………………………………………
……………………………………………
...

...
. Meier, J. Masci, L. M. Gambardella và J. Schmidhuber, “Flexible,
High Performance Convolutional Neural Networks for Image Classification,” trong
Twenty-Second international joint conference on Artificial Intelligence, Barcelona,
2011.
[21] A. Krizhevsky, ImageNet Classification with Deep Convolutional Neural Networks,
2013.
[22] A. Karpathy, “CS231n Convolutional Neural Networks for Visual Recognition,”
[Trực tuyến]. Available: http://cs231n.github.io.
[23] D. Ciresan, U. Meier và J. Schmidhuber, “Multi-column deep neural networks for
image classification,” trong The IEEE Conference on Computer Vision and Pattern
Recognition, New York, 2012.
[24] H. Cruse, Neural Networks as Cybernetic Systems, 2nd and revised edition.
[25] P. Sermanet, D. Eigen, X. Zhan, M. Mathieu, R. Fergus và Y. LeCun, “OverFeat:
Integrated Recognition, Localization and Detection using Convolutional Networks,”
arXiv.org, 2013.
[26] P. Werbos, Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Sciences, 1975.
[27] L. Boltzmann, Studies on the balance of living force between moving material
points, 1868.

Trang 52

[28] A. Zell, Simulation of Neural Networks, Addison-Wesley, 1994.
[29] S. a. S. J. Hochreiter, “Long short-term memory,” trong Neural Computation, 1997,
p. 1735–1780.
[30] R. G. C. C. K. a. B. Y. Pascanu, “How to construct deep recurrent neural networks,”
trong ICLR, Banff, 2014.
[31] Z. a. L. P. a. Q. S. a. W. X. a. T. X. Liu, “DeepFashion: Powering Robust Clothes
Recognition and Retrieval with Rich Annotations,” trong Proceedings of IEEE
Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
[32] N. a. {. S. a. {. T. a. {. W. a. {Rostamzadeh}, “Fashion-Gen: The Generative
Fashion Dataset and Challenge,” ArXiv e-prints, 2018.
[33] X. Z. S. R. J. S. Kaiming He, “Deep Residual Learning for Image Recognition,”
2015.
[34] K. &amp. R. S. &amp. W. T. &amp. Z. W.-j. Papineni, “BLEU: a Method for Automatic
Evaluation of Machine Translation,” trong Proceedings of the 40th Annual Meeting
of the Association for Computational Linguistics (ACL), Philadelphia, 2002.
[35] C.-Y. Lin, “ROUGE: A Package for Automatic Evaluation of Summaries,” trong
Proceedings of the ACL Workshop: Text Summarization Braches Out 2004, 2004.
[36] C. L. Z. D. P. Ramakrishna Vedantam, “CIDEr: Consensus-based Image
Deion Evaluation,” 2014.
[37] A. Z. K. Simonyan, “Very Deep Convolutional Networks for Large-Scale Image
Recognition,” arXiv, 2014.

Trang 53