Đồ án tốt nghiệp - Tìm hiểu bài toán phối trang phục dùng học sâu

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀ NH PHỐ HỒ CHÍ MINH
KHOA ĐÀ O TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

TÌM HIỂU BÀI TOÁN GỢI Ý PHỐI TRANG PHỤC
DÙNG HỌC SÂU
SVTH 1: HUỲNH DUY ANH
MSSV: 15110004
SVTH 2: NGUYỄN DANH NGHI
MSSV: 15110087
Khóa: 2015
Ngành: CÔNG NGHỆ THÔNG TIN
GVHD: TS NGUYỄN THIÊN BẢO
Tp. Hồ Chí Minh, tháng 7 năm 2020

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
***

Tp. Hồ Chí Minh, ngày 01 tháng 07 năm 2020

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ và tên sinh viên: Huỳnh Duy Anh

MSSV: 15110004

Họ và tên sinh viên: Nguyêñ Danh Nghi

MSSV: 15110087

Ngành: Công Nghệ Thông Tin

Lớp: 15110CL2

Giảng viên hướng dẫn: Nguyễn Thiên Bảo

ĐT: 0927613761

Ngà y nhận đề tài: 24/02/2020

Ngày nộp đề tài: 01/07/2020

1. Tên đề tài: Tìm hiểu bài toán phối trang phục dùng học sâu
2. Cá c số liê ̣u, tài liê ̣u ban đầ u:
- Bài báo: Yujie Lin, Pengjie. Ren, Zhumin Chen, Zhaochun Ren, Jun Ma, and
Maarten de Rijke, 2018. Explainable Fashion Recommendation with Joint Outfit
Matching and Comment Generation (2018).
- Tâ ̣p hình ảnh và dataset trong Jay Ren fashion recommendation tkde2018
code dataset.
3. Nội dung thực hiện đề tài:
- Tìm hiể u về ho ̣c sâu.
- Tìm hiểu về ma ̣ng nơ ron tích chập (CNN).
- Tìm hiểu cơ chế mutual attention.
- Tìm hiểu về bài toán phối trang phục dùng Convolutional Neural Network (CNN).
4. Sản phẩm: Source code giải thuâ ̣t cho bài toán về phoi trang phu ̣c
TRƯỞNG NGÀNH

GIẢNG VIÊN HƯỚNG DẪN

Nguyễn Đăng Quang

TS. Nguyễn Thiên Bảo

i

CỘNG HÒA 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: Huỳnh Duy Anh

MSSV: 15110004

Họ và tên sinh viên: Nguyễn Danh Nghi
MSSV: 15110087
Ngành: Công nghệ thông tin
Tên đề tài: Tìm hiểu bài toán phối trang phục dùng học sâu
Họ và tên giáo viên hướng dẫn: Nguyễn Thiên Bảo
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thưc hiện:
Nhóm đã hoàn thành được các mục tiêu đề ra ban đầu của đề tài, trong khoảng thời
gian xác định.
+ Về lý thuyết:
 Nắm đươc kiến thức về học máy, học sâu như CNN, RNN, cơ chế Attention
 Tìm hiểu bài toán gợi ý phối trang phục dùng học sâu
 Sinh viên nắm được kiến trúc của mô hình gợi ý trang phục dùng học sâu từ đó
áp dụng vào thực tế.
+ Về thực hành:
Sinh viên chạy được demo về gợi ý trang phục dùng CNN với cơ chế Attention
trên tập dataset FashionCV.
2. Ưu điểm:
 Sinh viên chịu khó tìm hiểu, cố gắng tìm kiếm các tài liệu
...

...
” in International Conference
on Research and Development in Information Retrieval, 2015, pp. 43–52.
[9] Ruining He and Julian McAuley, “VBPR: Visual bayesian personalized ranking
from implicit feedback,” in AAAI Conference on Artificial Intelligence, 2016, pp.
144–150.
[10] Yuncheng Li, Liangliang Cao, Jiang Zhu, and Jiebo Luo, “Mining fashion outfit
composition using an endto-end deep learning approach on set data,” in IEEE
Transactions on Multimedia, vol. 19. IEEE, 2017, pp. 1946–1955.
[11] Wang Cheng Kang, Chen Fang, Zhaowen Wang, and Julian McAuley, “Visuallyaware fashion recommendation and design with generative image models,” in
International Conference on Data Mining, 2017, pp. 207– 216.
[12] Xintong Han, Zuxuan Wu, Yu-Gang Jiang, and Larry S. Davis, “Learning fashion
compatibility with bidirectional lstms,” in ACM Multimedia, 2017, pp. 1078–1086.

40

[13] Xuemeng Song, Fuli Feng, Xianjing Han, Xin Yang, Wei Liu, and Liqiang Nie,
“Neural compatibility modeling with attentive knowledge distillation,” in International
Conference on Research on Development in Information Retrieval (SIGIR’18), 2018.
[14] Yann LeCun, L´eon Bottou, Yoshua Bengio, and Patrick Haffner, “Gradient-based
learning applied to document recognition,” in Proceedings of the IEEE, vol. 86, no. 11.
IEEE, 1998, pp. 2278–2324.
[15] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun, “Deep residual
learning for image recognition,” in IEEE Conference on Computer Vision and Pattern
Recognition, 2016, pp. 770–778.
[16] Gao Huang, Zhuang Liu, Laurens van der Maaten, and Kilian Q Weinberger,
“Densely connected convolutional networks,” in IEEE Conference on Computer
Vision and Pattern Recognition, 2017, pp. 4700–4708.
[17] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio, “Neural machine
translation by jointly learning to align and translate,” in International Conference on
Learning Representations, 2015.
[18] Minh Thang Luong, Hieu Pham, and Christopher D Manning, “Effective
approaches to attention-based neural machine translation,” in Empirical Methods on
Natural Language Processing, 2015, pp. 1412–1421.
[19] Yehuda Koren, Robert Bell, and Chris Volinsky, “Matrix factorization techniques
for recommender systems,” in IEEE Computer Society Press, vol. 42, no. 8. IEEE,
2009, pp. 30–37.
[20] Daniel D. Lee and H. Sebastian Seung, “Algorithms for non-negative matrix
factorization,” in Annual Conference on Neural Information Processing Systems, 2000,
pp. 535–541.

41