Giới thiệu dự án

Trong kỷ nguyên bùng nổ của thương mại điện tử (E-commerce), ngành hàng thời trang trực tuyến chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) vượt mức 16.8% trên toàn cầu. Hàng triệu mặt hàng (SKU) với mẫu mã, hoa văn, chất liệu và phom dáng liên tục được cập nhật mỗi ngày trên các sàn giao dịch số. Tuy nhiên, quy trình biên tập nội dung mô tả sản phẩm (Product Description Generation) truyền thống vẫn phụ thuộc chủ yếu vào nhân sự thủ công, tiêu tốn trung bình từ 4 đến 7 phút cho mỗi sản phẩm và phát sinh chi phí vận hành catalog khổng lồ.

Vấn đề cốt lõi nảy sinh là khoảng cách ngữ nghĩa (Semantic Gap) giữa dữ liệu biểu diễn thị giác mức thấp (pixel ảnh thô) và ngôn ngữ tự nhiên mức cao mang tính chuyên ngành thời trang. Các hệ thống thị giác máy tính truyền thống chỉ dừng lại ở bài toán phân loại đơn nhãn (Classification) hoặc phát hiện đối tượng cục bộ (Object Detection), không có khả năng liên kết cấu trúc không gian và thuộc tính thời trang (như dáng áo, kiểu cổ, chất liệu, họa tiết) để diễn đạt thành câu văn mạch lạc, đúng ngữ pháp.

┌─────────────────┐       ┌────────────────────────┐       ┌─────────────────────────────────────┐
│  Raw Input Img  │ ────> │ Deep Learning Pipeline │ ────> │   Natural Language Caption Output   │
│  (Fashion Item) │       │   (CNN + Attention)    │       │ "A short-sleeve round-neck cotton..."│
└─────────────────┘       └────────────────────────┘       └─────────────────────────────────────┘

Đề tài khóa luận tốt nghiệp "Tìm hiểu bài toán mô tả ảnh thời trang" (thực hiện bởi sinh viên Nguyễn Đình Lộc, Phạm Quốc Bảo; hướng dẫn bởi TS. Nguyễn Thiên Bảo tại Trường Đại học Sư phạm Kỹ thuật TP.HCM) giải quyết trực tiếp thách thức này thông qua các mục tiêu cụ thể:

  1. Nghiên cứu cơ sở lý thuyết chuyên sâu về mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN/LSTM) và giải thuật tối ưu hóa đạo hàm lan truyền ngược (Backpropagation).
  2. Thiết kế và hiện thực hóa kiến trúc mạng học sâu kết hợp Bộ mã hóa (Encoder) trích xuất không gian và Bộ giải mã (Decoder) sinh văn bản.
  3. Đề xuất cải tiến mô hình bằng cơ chế tập trung (Attention Mechanism) nhằm liên kết trực tiếp các đặc trưng cục bộ trên ảnh với từng từ ngữ được sinh ra theo chuỗi thời gian.
  4. Huấn luyện, tối ưu siêu tham số và đánh giá định lượng mô hình trên các tập dữ liệu thời trang tiêu chuẩn thế giới (DeepFashion và FashionGen) thông qua các độ đo chuẩn ngôn ngữ học máy (BLEU, ROUGE, CIDEr).

Giải pháp áp dụng kiến trúc dịch chuyển trực tiếp từ ảnh sang chuỗi (Image-to-Sequence) dựa trên khung mẫu Encoder-Decoder. Phương pháp này khắc phục hoàn toàn nhược điểm cứng nhắc của kỹ thuật sinh văn bản theo mẫu (Template-based) và sự hạn chế sáng tạo của kỹ thuật truy hồi (Retrieval-based), cho phép tự động sinh câu mô tả hoàn toàn mới với độ trễ suy luận dưới 120ms/ảnh, giảm thiểu 85% thời gian tạo nội dung catalog. Phạm vi nghiên cứu tập trung vào ảnh chụp trang phục thương mại dạng đơn và đa góc nhìn, tối ưu hóa câu sinh ra bằng tiếng Anh theo tiêu chuẩn quốc tế của các bộ dữ liệu thời trang mở.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi học sâu trở thành chuẩn mực, các phương pháp giải quyết bài toán mô tả ảnh (Image Captioning) được phân thành ba nhóm kỹ thuật chính:

Tiêu chí so sánh Phương pháp dựa trên mẫu (Template-based) Phương pháp dựa trên truy hồi (Retrieval-based) Phương pháp dịch tự động (Translation-based DL)
Cơ chế hoạt động Điền thuộc tính vào cấu trúc câu cố định Tìm câu mô tả có sẵn của ảnh tương đồng nhất Mã hóa ảnh thành đặc trưng và giải mã thành chuỗi từ
Tính linh hoạt Rất thấp (cố định số lượng từ/cấu trúc) Thấp (giới hạn trong tập văn bản có sẵn) Cao (sinh câu mới tự do theo ngữ cảnh)
Độ chính xác ngữ pháp Cao (do cấu trúc chuẩn định sẵn) Rất cao (văn bản do con người viết) Phụ thuộc vào năng lực mô hình ngôn ngữ
Độ chính xác ngữ nghĩa Kém khi gặp sản phẩm phức tạp Dễ sai lệch chi tiết đặc thù Chính xác nhờ cơ chế Attention bắt trúng chi tiết
Khả năng mở rộng Kém (phải viết lại luật ngữ pháp) Tốn chi phí tính toán khi kho dữ liệu lớn Rất tốt (huấn luyện End-to-End theo quy mô dữ liệu)

Yêu cầu hệ thống được lượng hóa và ưu tiên theo mô hình MoSCoW:

  • Must have (Bắt buộc): Trích xuất ma trận đặc trưng không gian (Spatial Feature Maps) đa chiều từ ảnh trang phục; tích hợp cơ chế Soft/Depth Attention để điều phối trọng số không gian; sinh chuỗi từ ngữ bằng bộ giải mã tuần tự có khả năng ghi nhớ dài hạn (LSTM).
  • Should have (Nên có): Cơ chế khởi tạo trạng thái ẩn ($h_0$) và bộ nhớ ($c_0$) của LSTM từ trung bình cộng các vector đặc trưng ảnh; cơ chế ngắt sớm (Early Stopping) chống Overfitting.
  • Could have (Có thể có): Mở rộng kiến trúc Attention theo chiều sâu kênh (Depth Attention); hỗ trợ nhận diện trang phục đa góc chụp (Multi-view).
  • Won't have (Chưa hỗ trợ): Xử lý hình ảnh video thời trang thời gian thực; sinh văn bản đa ngôn ngữ ngoài tiếng Anh.

Thách thức kỹ thuật lớn nhất nằm ở hiện tượng bùng nổ/tiêu biến đạo hàm (Vanishing/Exploding Gradient) khi lan truyền ngược qua các chuỗi văn bản dài, cùng với chi phí tính toán khổng lồ khi áp dụng mạng nơ-ron tích chập trên kích thước ảnh gốc độ phân giải cao.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống tuân theo mô hình Encoder - Attention - Decoder:

graph LR
    subgraph Encoder
        A[Input Image 224x224x3] --> B[ResNet-50 Conv Layers]
        B --> C["Feature Slices a = {a_1, ..., a_49}, a_i in R^2048"]
    end

    subgraph Attention_Mechanism
        C --> D[Attention Engine]
        H_prev[Hidden State h_t-1] --> D
        D --> E[Alpha Alignment Weights]
        E --> F[Context Vector z_t]
    end

    subgraph Decoder
        F --> G[LSTM Cell]
        H_prev --> G
        Word_prev[Embedding Word y_t-1] --> G
        G --> H[Hidden State h_t]
        H --> I[Deep Output Softmax Layer]
        I --> J[Predicted Word Probability y_t]
    end

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.7.4
  • Deep Learning Framework: PyTorch 1.1.0 / torchvision 0.3.0 (tương thích TensorFlow 1.14 / Keras 2.2.4)
  • Xử lý ma trận & Dữ liệu: NumPy 1.16.4, Pandas 0.24.2, H5Py 2.9.0
  • Xử lý thị giác máy tính: OpenCV-Python 4.1.0, Pillow 6.0.0
  • Xử lý ngôn ngữ tự nhiên: NLTK 3.4.5, SpaCy 2.1.4
  • Môi trường tăng tốc phần cứng: NVIDIA CUDA Toolkit 10.0, cuDNN 7.6.0

Kiến trúc phân rã thành ba thành phần toán học cốt lõi:

  1. Bộ mã hóa (Encoder): Sử dụng mạng tích chập ResNet-50 loại bỏ lớp Fully Connected và Softmax cuối cùng. Vector đầu ra được trích xuất tại lớp tích chập Conv5_x với kích thước $7 \times 7 \times 2048$, tạo ra tập hợp $L = 49$ vector đặc trưng cục bộ: $$a = {a_1, a_2, \dots, a_L}, \quad a_i \in \mathbb{R}^D \quad (D = 2048)$$
  2. Cơ chế Attention: Tại mỗi bước sinh từ $t$, hệ thống tính toán điểm tương đồng (alignment score) $e_{t,i}$ giữa trạng thái ẩn trước đó $h_{t-1} \in \mathbb{R}^n$ của LSTM và vector đặc trưng vùng $a_i$: $$e_{t,i} = f_{\text{att}}(a_i, h_{t-1}) = v_a^T \tanh(W_a h_{t-1} + U_a a_i + b_a)$$ Trọng số tập trung $\alpha_{t,i}$ được chuẩn hóa qua hàm Softmax: $$\alpha_{t,i} = \frac{\exp(e_{t,i})}{\sum_{k=1}^L \exp(e_{t,k})}$$ Vector ngữ cảnh động (Context Vector) $z_t$ được tạo ra bằng phép cộng chập có trọng số: $$z_t = \sum_{i=1}^L \alpha_{t,i} a_i$$
  3. Bộ giải mã (Decoder): Mạng Long Short-Term Memory (LSTM) cập nhật các cổng theo phương trình: $$\begin{aligned} f_t &= \sigma(W_f \cdot [E y_{t-1}, h_{t-1}, z_t] + b_f) \ i_t &= \sigma(W_i \cdot [E y_{t-1}, h_{t-1}, z_t] + b_i) \ o_t &= \sigma(W_o \cdot [E y_{t-1}, h_{t-1}, z_t] + b_o) \ \tilde{c}t &= \tanh(W_c \cdot [E y{t-1}, h_{t-1}, z_t] + b_c) \ c_t &= f_t \odot c_{t-1} + i_t \odot \tilde{c}_t \ h_t &= o_t \odot \tanh(c_t) \end{aligned}$$

Methodology

Quy trình phát triển dự án tuân theo mô hình phân kỳ kiểm thử lặp (Iterative Research & Engineering):

┌──────────────────┐    ┌──────────────────┐    ┌──────────────────┐    ┌──────────────────┐
│  Phase 1 (W1-6)  │ -> │  Phase 2 (W7-10) │ -> │ Phase 3 (W11-15) │ -> │ Phase 4 (W16-24) │
│ Theory & Math DL │    │  Baseline Setup  │    │ Model & Attention│    │ Tuning & Eval    │
└──────────────────┘    └──────────────────┘    └──────────────────┘    └──────────────────┘
  • Giai đoạn 1 (Tuần 1 - 6): Nghiên cứu lý thuyết ANN, CNN, RNN; tính toán giải tích đạo hàm ma trận trong Backpropagation và thuật toán tối ưu Gradient Descent.
  • Giai đoạn 2 (Tuần 7 - 10): Thu thập và tiền xử lý dữ liệu DeepFashion, FashionGen; xây dựng kiến trúc Baseline Encoder-Decoder chuẩn.
  • Giai đoạn 3 (Tuần 11 - 15): Thiết kế mô-đun Soft-Attention và Depth-Attention; tích hợp bộ chuyển đổi Word Embedding vào LSTM.
  • Giai đoạn 4 (Tuần 16 - 24): Huấn luyện đa mô hình trên GPU, tinh chỉnh Batch Size, Learning Rate Decay; tính toán chỉ số BLEU/ROUGE/CIDEr và nghiệm thu báo cáo.

Implementation và kết quả

Development process

Quá trình tiền xử lý dữ liệu chuẩn hóa toàn bộ ảnh về kích thước $224 \times 224 \times 3$, chuẩn hóa giá trị điểm ảnh theo phân phối chuẩn ImageNet (Mean: [0.485, 0.456, 0.406], Std: [0.229, 0.224, 0.225]). Tập văn bản mô tả được tách từ (Tokenization), loại bỏ ký tự đặc biệt, chuyển về chữ thường, bổ sung 4 token điều khiển: <start>, <end>, <pad>, <unk>. Ngưỡng tần suất từ khóa (Word Frequency Threshold) được thiết lập tại mức $k \ge 3$, xây dựng từ điển kích thước 10,240 từ.

Đoạn mã PyTorch hiện thực hóa lớp Soft-Attention cốt lõi kết nối giữa ResNet-50 và LSTM:

import torch
import torch.nn as nn

class BahdanauAttention(nn.Module):
    """
    Bahdanau Additive Attention Module for Fashion Image Captioning.
    Combines spatial CNN feature slices with LSTM previous hidden state.
    """
    def __init__(self, encoder_dim: int = 2048, decoder_dim: int = 512, attention_dim: int = 256):
        super(BahdanauAttention, self).__init__()
        self.encoder_att = nn.Linear(encoder_dim, attention_dim, bias=False)
        self.decoder_att = nn.Linear(decoder_dim, attention_dim, bias=False)
        self.full_att = nn.Linear(attention_dim, 1, bias=True)
        self.relu = nn.ReLU()
        self.softmax = nn.Softmax(dim=1)

    def forward(self, encoder_out: torch.Tensor, decoder_hidden: torch.Tensor):
        # encoder_out shape: (batch_size, num_pixels=49, encoder_dim=2048)
        # decoder_hidden shape: (batch_size, decoder_dim=512)
        att_enc = self.encoder_att(encoder_out)                    # (batch_size, 49, attention_dim)
        att_dec = self.decoder_att(decoder_hidden).unsqueeze(1)    # (batch_size, 1, attention_dim)
        
        # Alignment score: v_a^T * tanh(W_a * h_{t-1} + U_a * a_i)
        energy = self.full_att(torch.tanh(att_enc + att_dec))      # (batch_size, 49, 1)
        energy = energy.squeeze(2)                                 # (batch_size, 49)
        
        # Calculate alpha weights
        alpha = self.softmax(energy)                               # (batch_size, 49)
        
        # Context vector: sum(alpha_i * a_i)
        context = (encoder_out * alpha.unsqueeze(2)).sum(dim=1)    # (batch_size, encoder_dim)
        return context, alpha

Testing và validation

Mô hình được huấn luyện trên bộ dữ liệu FashionGen gồm 60,147 ảnh huấn luyện (Train), 10,000 ảnh kiểm định (Validation) và 10,000 ảnh đánh giá độc lập (Test). Hàm mất mát sử dụng Cross-Entropy Loss kết hợp kỹ thuật Teacher Forcing trong 25 Epochs:

$$\mathcal{L}(\theta) = - \sum_{t=1}^T \log p(y_t^* \mid y_{1:t-1}^*, I; \theta) + \lambda \sum_{i=1}^L \left(1 - \sum_{t=1}^T \alpha_{t,i}\right)^2$$

Thành phần thứ hai là đại lượng phạt điều hòa (Doubly Stochastic Regularization) với $\lambda = 1.0$, ép mô hình phải quan sát đồng đều mọi phân vùng ảnh trang phục.

Tham số huấn luyện tối ưu:

  • Optimizer: Adam ($\beta_1 = 0.9, \beta_2 = 0.999$, Epsilon $= 10^{-8}$)
  • Learning rate: $4 \times 10^{-4}$ cho Decoder và $1 \times 10^{-4}$ cho Encoder (Fine-tuning sau epoch 10)
  • Batch size: 64
  • Embedding size: 512 | Hidden dimension ($h_t$): 512

Kết quả đạt được

Hệ thống được đánh giá đối sánh bằng bộ công cụ coco-caption tiêu chuẩn, đo lường mức độ trùng khớp giữa câu sinh tự động bởi máy tính và câu mô tả chuẩn từ chuyên gia thời trang:

Mô hình thử nghiệm BLEU-1 (%) BLEU-2 (%) BLEU-3 (%) BLEU-4 (%) ROUGE-L (%) CIDEr Tốc độ suy luận (ms/ảnh)
Vanilla CNN-RNN (No Attention) 42.8 24.1 14.5 8.2 31.4 0.48 45 ms
Show and Tell (NIC Baseline) 48.3 29.5 18.2 10.4 34.8 0.62 68 ms
Show, Attend and Tell (Soft-Attention) 55.4 36.8 24.6 15.3 40.2 0.89 110 ms
Proposed Fashion-Attention Model 58.7 40.2 27.8 17.9 43.5 1.04 118 ms 
So sánh chỉ số đánh giá chất lượng văn bản (BLEU-4 & CIDEr):
BLEU-4:
Vanilla CNN-RNN  [■■■■                ] 8.2%
Show and Tell    [■■■■■               ] 10.4%
Soft-Attention   [■■■■■■■■            ] 15.3%
Proposed Model   [■■■■■■■■■           ] 17.9%

CIDEr Score:
Vanilla CNN-RNN  [■■■■■               ] 0.48
Show and Tell    [■■■■■■              ] 0.62
Soft-Attention   [■■■■■■■■■           ] 0.89
Proposed Model   [■■■■■■■■■■          ] 1.04

Mô hình cải tiến đạt mức tăng trưởng vượt bậc: điểm BLEU-4 tăng +72.1% và điểm CIDEr tăng +67.7% so với baseline Show and Tell, chứng minh khả năng diễn đạt chuẩn xác các thuật ngữ thời trang phức tạp (ví dụ: "sleeveless silk blend crewneck top with embroidered lace trim").

Đổi mới và đóng góp

  1. Bảo toàn cấu trúc không gian qua trích xuất tầng tích chập sâu: Thay vì sử dụng vector nén 1 chiều tại lớp Fully Connected khiến thông tin vị trí bị phân rã, nghiên cứu trích xuất trực tiếp ma trận $7 \times 7 \times 2048$ từ tầng Conv5_x của ResNet-50, duy trì độ phân giải không gian cho phép theo dấu từng chi tiết nhỏ như cổ áo, túi hộp, đường chỉ may.
  2. Cải tiến cơ chế Attention cho lĩnh vực thời trang: Ứng dụng thành công ma trận trọng số không gian động (Dynamic Spatial Attention) giúp mạng LSTM tập trung vào đúng phần vải/phụ kiện tương ứng với từng danh từ/tính từ đang được sinh ra, triệt tiêu hiện tượng sinh từ rác hoặc nhầm lẫn giữa màu áo và màu quần.
  3. Đóng góp học thuật và mã nguồn: Hệ thống hóa cơ sở toán học của giải thuật lan truyền ngược Backpropagation và đại số tuyến tính trong Deep Learning; cung cấp khung mẫu thực nghiệm hoàn chỉnh trên hai bộ dữ liệu thời trang lớn nhất hiện nay là DeepFashion và FashionGen.

Ứng dụng thực tế và triển khai

Hệ thống có khả năng ứng dụng thực tiễn ngay vào quy trình kinh doanh số:

┌─────────────────┐       ┌─────────────────┐       ┌─────────────────┐
│ E-commerce Auto │       │ Visual Catalog  │       │ Accessibility   │
│   Cataloging    │       │     Search      │       │ for Blind Users │
│  (Shopee/Tiki)  │       │   (Auto-tag)    │       │ (Screen Reader) │
└─────────────────┘       └─────────────────┘       └─────────────────┘
  • Tự động hóa đăng tải sản phẩm E-commerce: Tích hợp vào hệ thống quản lý sản phẩm (PIM/CMS) của các sàn thương mại điện tử (Shopee, Lazada, Tiki), tự động tạo bản nháp mô tả sản phẩm ngay khi người bán đăng ảnh.
  • Tối ưu hóa công cụ tìm kiếm nội sàn (SEO & Search Relevance): Chuyển đổi thuộc tính ảnh thành metadata văn bản chi tiết, nâng cao tỷ lệ tìm kiếm chính xác sản phẩm (Search Discovery Rate) lên 34%.
  • Hỗ trợ người khiếm thị mua sắm: Kết hợp với các ứng dụng đọc màn hình (Screen Reader), chuyển đổi hình ảnh sản phẩm thời trang thành giọng nói mô tả chi tiết kiểu dáng và màu sắc.

Kiến trúc triển khai đám mây (Cloud Deployment Architecture)

  • Serving Framework: Đóng gói mô hình dưới dạng RESTful API bằng FastAPI, triển khai trong Docker Container và điều phối bằng Kubernetes.
  • Phần cứng suy luận: 01 GPU NVIDIA Tesla T4 16GB VRAM phục vụ trung bình 120 requests/giây với cơ chế Dynamic Batching.
  • Ước tính hiệu quả kinh tế (ROI): Doanh nghiệp sở hữu danh mục 100,000 sản phẩm mới mỗi năm sẽ tiết kiệm khoảng 7,000 giờ làm việc của nhân sự content, tương đương giảm thiểu hơn $25,000 chi phí vận hành hàng năm.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật hiện tại:
    • Mô hình đôi khi gặp khó khăn khi nhận diện các chất liệu vải trong suốt (voan, ren mỏng) hoặc vải có độ phản quang cao dưới điều kiện ánh sáng phức tạp.
    • Cấu trúc câu sinh ra từ LSTM vẫn còn mang tính lặp lại (Repetitive Syntax) khi chuỗi vượt quá 20 từ.
    • Đòi hỏi tài nguyên tính toán GPU đáng kể trong giai đoạn huấn luyện lặp lại.
  • Hướng phát triển tương lai:
    • Chuyển dịch sang Vision Transformer (ViT): Thay thế Backbone ResNet-50 bằng Swin Transformer hoặc CLIP (Contrastive Language-Image Pre-training) để mở rộng trường tiếp nhận (Receptive Field) toàn cục.
    • Tích hợp Multimodal LLMs (M-LLMs): Sử dụng các mô hình ngôn ngữ lớn đa phương thức (như LLaVA, BLIP-2) làm bộ giải mã để sinh câu mô tả giàu cảm xúc, chuẩn văn phong Marketing bán hàng.
    • Hỗ trợ sinh văn bản tiếng Việt đa ngữ: Fine-tuning bộ giải mã trên tập ngữ liệu thời trang tiếng Việt bản địa hóa.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành CNTT/Hệ thống thông tin: Tiếp cận tài liệu thực nghiệm hoàn chỉnh, có giải thích toán học chi tiết từ mạng nơ-ron cơ bản đến Attention Mechanism.
  • Kỹ sư AI & Lập trình viên thị giác máy tính: Nắm vững cấu trúc mã nguồn ghép nối giữa CNN và RNN trong PyTorch, ứng dụng trực tiếp vào các bài toán sinh chú thích ảnh tổng quát.
  • Doanh nghiệp bán lẻ & Chủ gian hàng trực tuyến: Sở hữu giải pháp tự động hóa nội dung số giúp cắt giảm 85% chi phí biên tập catalog sản phẩm.
  • Nhà nghiên cứu NLP & Computer Vision: Khung tham chiếu chuẩn về hiệu năng của mô hình Soft-Attention trên tập dữ liệu đặc thù ngành thời trang.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai suy luận (Inference) mô hình là gì?

Để chạy suy luận cho mô hình đã huấn luyện với tốc độ < 150ms/ảnh, hệ thống yêu cầu tối thiểu CPU Intel Xeon 4 Cores, 8GB RAM và 01 GPU hỗ trợ CUDA (như NVIDIA GTX 1060 6GB hoặc Tesla T4). Nếu chỉ chạy trên CPU, thời gian suy luận dao động từ 600ms - 900ms/ảnh.

2. Mô hình xử lý như thế nào đối với ảnh chụp nhiều người hoặc phối nhiều trang phục?

Mô hình hiện tại trích xuất 49 vùng đặc trưng không gian. Khi gặp ảnh phối nhiều đồ (phối áo, quần, túi xách), cơ chế Attention sẽ lần lượt dịch chuyển trọng số $\alpha_t$ qua từng vùng tương ứng theo thứ tự sinh câu mô tả. Tuy nhiên, để đạt kết quả tối ưu nhất trên ảnh phức tạp, nên kết hợp thêm một tầng tiền xử lý Object Detection (YOLOv8 hoặc Faster R-CNN) để cắt riêng từng phân vùng trang phục trước khi đưa vào Encoder.

3. Làm thế nào để tích hợp mô hình vào hệ thống website bán hàng có sẵn?

Mô hình có thể được đóng gói thành một Docker Image chạy Web API (FastAPI/Triton Inference Server). Khi người quản trị tải ảnh sản phẩm lên dashboard, backend gọi HTTP POST request kèm file ảnh tới API; API trả về JSON chứa chuỗi mô tả văn bản và danh sách từ khóa thuộc tính chỉ sau ~120ms.

4. Chi phí vận hành và bảo trì hệ thống trên Cloud khoảng bao nhiêu?

Chi phí thuê một máy ảo Cloud (ví dụ AWS EC2 instance g4dn.xlarge với 1 GPU Tesla T4) phục vụ suy luận khoảng $0.526/giờ (tương đương ~$380/tháng), có khả năng phục vụ hơn 8 triệu lượt sinh mô tả mỗi tháng, tiết kiệm vượt bậc so với chi phí thuê nhân sự thủ công.

5. Tại sao không sử dụng mạng nơ-ron truyền thẳng (MLP) làm bộ giải mã văn bản?

Mạng nơ-ron truyền thẳng (Feedforward/MLP) giả định các đầu vào và đầu ra hoàn toàn độc lập với nhau. Trong khi đó, ngôn ngữ tự nhiên là một chuỗi tuần tự có quan hệ ngữ nghĩa chặt chẽ (từ đứng sau phụ thuộc vào các từ đứng trước). Mạng hồi quy LSTM duy trì các cổng nhớ và trạng thái ẩn $h_t$ liên tục qua thời gian, là điều kiện tiên quyết để tạo ra câu văn mạch lạc, đúng ngữ pháp.

Kết luận

Khóa luận tốt nghiệp "Tìm hiểu bài toán mô tả ảnh thời trang" đã nghiên cứu thành công và hiện thực hóa trọn vẹn mô hình học sâu kết hợp giữa mạng tích chập ResNet-50, cơ chế Soft-Attention và mạng nơ-ron hồi quy LSTM. Bằng việc giải quyết bài toán cốt lõi về khoảng cách ngữ nghĩa giữa pixel ảnh và ngôn ngữ tự nhiên, đề tài đạt điểm số ấn tượng trên thang đo BLEU-4 (17.9%) và CIDEr (1.04), mang lại giá trị to lớn cả về mặt học thuật lẫn tiềm năng thương mại hóa trong tự động hóa E-commerce.

[!TIP] Khám phá và áp dụng: Doanh nghiệp và nhà phát triển có thể tham khảo kiến trúc này để tích hợp vào đường ống xử lý dữ liệu catalog tự động, hoặc mở rộng kết hợp cùng các mô hình nền tảng đa phương thức (Multimodal Foundation Models) nhằm dẫn đầu xu hướng thương mại thị giác thông minh.