Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của thương mại điện tử tại Việt Nam với các nền tảng như Shopee, Lazada, Tiki đã dẫn đến khối lượng hàng hóa trực tuyến khổng lồ, trong đó nhóm ngành thời trang (quần, áo, váy, phụ kiện) chiếm tỷ trọng lớn và có tốc độ luân chuyển nhanh. Từ thực tiễn vận hành trên các sàn thương mại điện tử, tác giả chỉ ra hai vấn đề cốt lõi:

  1. Việc phân loại danh mục và gán thẻ mô tả cho sản phẩm thời trang mới hiện vẫn do người bán thao tác thủ công, phụ thuộc vào ý chí chủ quan và cách hiểu riêng của từng cá nhân. Điều này dẫn đến tình trạng sản phẩm bị xếp sai danh mục thực tế, làm giảm khả năng tiếp cận của người mua và ảnh hưởng trực tiếp đến doanh số.
  2. Người mua hàng thường sở hữu hình ảnh của sản phẩm mong muốn nhưng gặp khó khăn trong việc diễn đạt bằng từ khóa để tìm kiếm chính xác sản phẩm đó cũng như các sản phẩm tương tự trong hệ thống danh mục phân tầng.

Cấu trúc phân loại sản phẩm trên sàn thương mại điện tử Shopee được tổ chức theo mô hình cây phân cấp. Do đó, đề tài tập trung giải quyết bài toán "Phân loại đa tầng hình ảnh sản phẩm thời trang" (Hierarchical Multi-Label Fashion Image Classification). Đây là bài toán mở rộng từ bài toán phân loại ảnh truyền thống, trong đó mỗi hình ảnh đầu vào được gán một hoặc nhiều nhãn có quan hệ phụ thuộc theo cấu trúc cây hoặc đồ thị có hướng không chu trình (Directed Acyclic Graph - DAG). Đầu vào của hệ thống là ảnh chụp chứa sản phẩm thời trang; đầu ra là tập hợp các nhãn danh mục phân tầng tương ứng từ cấp tổng quát đến cấp cụ thể (ví dụ: Thời trang nam $\rightarrow$ Áo $\rightarrow$ Áo polo).

Nhiệm vụ và mục tiêu nghiên cứu được xác định cụ thể gồm:

  1. Tìm hiểu tổng quan về bài toán phân loại đa tầng hình ảnh sản phẩm thời trang, các thách thức đặc thù và các nghiên cứu liên quan.
  2. Thu thập, xử lý và gán nhãn bộ dữ liệu hình ảnh thời trang từ sàn thương mại điện tử Shopee theo cấu trúc cây phân cấp.
  3. Cài đặt thử nghiệm, phân tích, đánh giá và so sánh các phương pháp phân loại thuộc hướng tiếp cận phẳng và hướng tiếp cận toàn cục.
  4. Xây dựng ứng dụng web minh họa nhằm kiểm nghiệm khả năng phân loại trong thực tế.

Đối tượng nghiên cứu là các mô hình học sâu phục vụ phân loại ảnh đa tầng (VGG16, B-CNN, Condition-CNN) và dữ liệu hình ảnh sản phẩm thời trang. Phạm vi dữ liệu được thu thập từ sàn thương mại điện tử Shopee (thị trường Việt Nam) và tập dữ liệu đối sánh Kaggle Fashion Product Images Dataset. Không gian nghiên cứu tập trung vào ngành hàng thời trang với hệ thống phân cấp gồm 3 tầng: Danh mục chính (Master category), Danh mục con (Sub category) và Danh mục cụ thể (Article type).

Văn bản nêu rõ các thách thức kỹ thuật của bài toán:

  • Tồn tại sự biến dạng lớn của trang phục do nếp gấp, tư thế người mẫu hoặc cách bố trí góc chụp.
  • Sự tương đồng thị giác cao giữa các loại sản phẩm khác danh mục (ví dụ: áo vest nam và áo blazer nam; quần short nữ và chân váy khi nhìn ngang; quần tây và quần bò; vòng tay và vòng cổ).
  • Kích thước vật thể không đồng đều, có nhiều sản phẩm nhỏ như trang sức, phụ kiện.
  • Dữ liệu ảnh thực tế từ sàn thương mại điện tử chứa nhiều yếu tố gây nhiễu: chữ quảng cáo chèn đè, hậu cảnh phức tạp, người mẫu, phụ kiện trang trí, hiện tượng một ảnh chứa nhiều sản phẩm cùng lúc và các mặt hàng mang tính chất unisex.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết dựa trên mạng thần kinh tích chập (Convolutional Neural Network - CNN) cùng các thành phần xử lý ảnh cơ bản:

  • Lớp tích chập (Convolutional layer): Thực hiện phép toán tích chập giữa ma trận đầu vào và bộ lọc (kernel) trượt theo các tham số bước nhảy (stride), phần đệm (padding) để tạo ra bản đồ đặc trưng (feature map), giúp bảo toàn tính bất biến tịnh tiến và duy trì biểu diễn không gian 3 chiều.
  • Lớp kích hoạt phi tuyến: Hàm ReLU ($f(x) = \max(0, x)$) và hàm Leaky ReLU nhằm giải quyết hiện tượng suy giảm gradient và triệt tiêu neuron ("dying ReLU").
  • Lớp gộp (Pooling layer): Sử dụng Max pooling và Average pooling để giảm chiều không gian của bản đồ đặc trưng, kiểm soát hiện tượng quá khớp (overfitting) và tăng vùng tiếp nhận (receptive field).
  • Lớp chuẩn hóa (Batch Normalization): Đưa phân phối đặc trưng về trạng thái trung bình bằng 0 và phương sai bằng 1 trên từng mini-batch, khắc phục lỗi phân phối lệch (non-zero mean) và ổn định tốc độ hội tụ.
  • Kỹ thuật Dropout: Ngắt ngẫu nhiên $p%$ số kết nối neuron trong quá trình huấn luyện nhằm chống hiện tượng phụ thuộc đồng thích nghi.

Về phương pháp phân loại đa tầng, tác giả hệ thống hóa ba hướng tiếp cận lý thuyết chính:

  • Hướng tiếp cận phẳng (Flat approach): Bỏ qua hoàn toàn quan hệ phân cấp, chỉ sử dụng mô hình phân loại đa lớp thông thường để dự đoán nhãn tại nút lá, sau đó suy diễn ngược lên các nút cha.
  • Hướng tiếp cận cục bộ (Local approach / Top-down): Chia thành ba biến thể: mô hình phân loại cục bộ cho mỗi nút (Local classifier per node - LCN), mô hình phân loại cục bộ cho mỗi nút cha (Local classifier per parent node - LCPN), và mô hình phân loại cục bộ theo từng tầng (Local classifier per level - LCL).
  • Hướng tiếp cận toàn cục (Global approach / Big-bang): Sử dụng duy nhất một kiến trúc mô hình học sâu để tối ưu hóa và đưa ra dự đoán đồng thời cho toàn bộ hệ thống phân cấp.
Hướng tiếp cận Cơ chế thực hiện Ưu điểm Nhược điểm
Phẳng (Flat) Dự đoán trực tiếp nút lá bằng bộ phân loại đa lớp truyền thống. Cài đặt đơn giản; tận dụng trực tiếp các kiến trúc chuẩn. Mất thông tin phân cấp; không áp dụng được cho đồ thị DAG nhiều cha.
Cục bộ (LCN) Một mô hình nhị phân cho mỗi nút (trừ gốc). Độc lập; dễ bổ sung lớp mới. Số lượng mô hình lớn; dễ mất tính nhất quán giữa cha và con.
Cục bộ (LCPN) Một bộ phân loại đa lớp tại mỗi nút cha để phân loại nút con. Nhất quán từ trên xuống; trực quan. Chi phí tính toán cao khi số nút cha lớn; lỗi tích lũy dọc theo cây.
Cục bộ (LCL) Một bộ phân loại đa lớp riêng biệt cho từng tầng. Huấn luyện song song; tiết kiệm tài nguyên hơn LCPN. Dự đoán độc lập từng tầng; hoàn toàn không đảm bảo tính nhất quán.
Toàn cục (Global) Một mô hình duy nhất dự đoán tất cả các tầng đồng thời. Tối ưu hóa toàn cục; khai thác liên kết phân cấp; kích thước mô hình gọn. Độ phức tạp mô hình cao; phải huấn luyện lại toàn bộ khi đổi cấu trúc cây.

Các mô hình được lựa chọn để thực nghiệm bao gồm:

  1. VGG16 (đại diện hướng tiếp cận phẳng): Mạng tích chập 16 tầng sử dụng bộ lọc $3 \times 3$, stride 1, đệm 1, kết hợp các khối max pooling $2 \times 2$. Mô hình được khởi tạo với trọng số tiền huấn luyện trên tập ImageNet, thay thế 3 lớp kết nối đầy đủ (Fully Connected) để phân loại trực tiếp tập nhãn tại tầng nút lá.
  2. Branch Convolutional Neural Network - B-CNN (đại diện hướng tiếp cận toàn cục): Kiến trúc phân nhánh tích hợp, cho phép các tầng nhánh trích xuất đặc trưng và dự đoán nhãn ở các cấp phân tầng thô (tầng cha), trong khi thân mạng tiếp tục đi sâu để dự đoán nhãn chi tiết hơn (tầng con).
  3. Condition Convolutional Neural Network - Condition-CNN (đại diện hướng tiếp cận toàn cục): Sử dụng mạng nền kết hợp cấu trúc mạng nhánh có bổ sung Ma trận trọng số xác suất có điều kiện (Conditional Probability Weight Matrix - CPWM) và kỹ thuật ép buộc học (Teacher forcing) nhằm ràng buộc không gian xác suất đầu ra giữa tầng cha và tầng con.

Phương pháp giải thích trực quan: Sử dụng kỹ thuật Grad-CAM (Gradient-weighted Class Activation Mapping) dựa trên bản đồ kích hoạt lớp cuối cùng để trực quan hóa các vùng không gian ảnh mà mạng nơ-ron tập trung trích xuất đặc trưng khi đưa ra quyết định phân loại.

Nguồn dữ liệu thực nghiệm:

  • Bộ dữ liệu Shopee Fashion Product Images do nhóm tác giả tự xây dựng thông qua thu thập tự động từ Shopee.
  • Bộ dữ liệu công chuẩn Kaggle Fashion Product Images Dataset.

Thiết kế và triển khai hệ thống minh họa

Để chứng minh tính ứng dụng của các nghiên cứu lý thuyết trong môi trường vận hành thực tế, nhóm tác giả đã thiết kế và triển khai một hệ thống phần mềm minh họa hoàn chỉnh:

[Người dùng / Web Browser]
[Giao diện Web Client]
[API Service Backend]
[TensorFlow Serving (TF Serving)]
[Phân tầng: Master category ➔ Sub category ➔ Article type]
  • Kiến trúc phục vụ mô hình (Model Serving): Hệ thống sử dụng TensorFlow Serving (TF Serving) để đóng gói và triển khai mô hình học sâu Condition-CNN đã được huấn luyện tối ưu. TF Serving chịu trách nhiệm quản lý vòng đời mô hình, thực hiện nạp trọng số và cung cấp giao diện suy luận hiệu năng cao thông qua API.
  • Luồng xử lý ứng dụng:
    1. Người dùng tải lên ảnh sản phẩm thời trang thông qua giao diện trang web.
    2. Dịch vụ ứng dụng nhận ảnh, thực hiện các bước tiền xử lý chuẩn hóa kích thước và giá trị pixel tương thích với đầu vào của mạng tích chập.
    3. Dữ liệu ảnh được chuyển tiếp tới TF Serving để thực hiện suy luận đồng thời trên cả ba nhánh phân cấp.
    4. Hệ thống tiếp nhận ma trận xác suất trả về, trích xuất nhãn có xác suất cao nhất tại từng cấp và phản hồi kết quả trực quan lên màn hình.
  • Giao diện và kết quả thử nghiệm: Giao diện web hiển thị ảnh sản phẩm gốc kèm cây kết quả phân loại tương ứng theo đúng 3 cấp độ phân tầng: Master category, Sub category và Article type, cho phép người dùng kiểm tra trực tiếp độ chính xác của mô hình trên các ảnh thời trang thực tế.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập cơ sở đặt vấn đề nghiên cứu từ bài toán thực tế của các sàn thương mại điện tử tại Việt Nam. Tác giả phân tích nhu cầu chuẩn hóa danh mục sản phẩm nhằm kết nối người mua và người bán, từ đó định nghĩa bài toán phân loại đa tầng hình ảnh sản phẩm thời trang. Chương này xác định rõ 4 mục tiêu cụ thể, phạm vi nghiên cứu (tập trung vào hướng tiếp cận phẳng và hướng tiếp cận toàn cục), tổng hợp 4 đóng góp chính của đề tài và trình bày cấu trúc tổng thể của khóa luận.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 2 trình bày tổng quan hệ thống lý thuyết về xử lý ảnh và học sâu. Nội dung bắt đầu từ định nghĩa toán học của bài toán phân loại đa tầng theo cấu trúc cây và đồ thị có hướng không chu trình (DAG). Tác giả mô tả chi tiết các khối kiến trúc trong CNN bao gồm: lớp tích chập, các phép toán trượt filter, stride, padding, tính chất bất biến tịnh tiến; các hàm kích hoạt (Sigmoid, Tanh, ReLU, Leaky ReLU); cơ chế hoạt động của Max pooling và Average pooling; kỹ thuật chuẩn hóa Batch Normalization và cơ chế ngắt kết nối Dropout.

Phần thứ hai của chương đi sâu phân tích, so sánh ưu nhược điểm của các hướng tiếp cận phân loại đa tầng: hướng tiếp cận phẳng, hướng tiếp cận cục bộ (phân loại theo nút - LCN, theo nút cha - LCPN, theo tầng - LCL) và hướng tiếp cận toàn cục. Tác giả đưa ra lập luận khoa học giải thích lý do không chọn hướng tiếp cận cục bộ do độ phức tạp mô hình quá lớn trên không gian nhãn rộng, từ đó định hướng tập trung vào hướng tiếp cận toàn cục cho bài toán nghiên cứu.

Chương 3: Hướng tiếp cận toàn cục cho bài toán phân loại đa tầng hình ảnh sản phẩm thời trang

Chương 3 trình bày chi tiết về mặt toán học và cấu trúc của ba kiến trúc mạng nơ-ron được áp dụng trong đề tài:

  • Kiến trúc VGG16: Cấu hình 16 tầng tích chập chuẩn, kích thước đầu vào $224 \times 224 \times 3$, sử dụng các bộ lọc $3 \times 3$, stride 1, max pooling $2 \times 2$. Tác giả mô tả cơ chế fine-tune mạng VGG16 tiền huấn luyện từ tập ImageNet để phân loại phẳng tại tầng lá, sau đó suy diễn nhãn ngược lên cây phân cấp.
  • Kiến trúc B-CNN (Branch-CNN): Trình bày nguyên lý thiết kế các nhánh phân lớp xuất phát từ các khối tích chập trung gian để dự đoán các nhãn danh mục cấp cao (Master category), trong khi các tầng sâu hơn tiếp tục truyền thông tin để dự đoán nhãn chi tiết (Article type).
  • Kiến trúc Condition-CNN: Phân tích cấu trúc phân tách giữa mạng nền trích xuất đặc trưng và các mạng nhánh suy luận theo tầng. Trọng tâm của chương là việc xây dựng Ma trận trọng số xác suất có điều kiện (CPWM) nhằm đưa xác suất dự đoán của tầng cha vào làm điều kiện tiên quyết cho tầng con, kết hợp cùng chiến lược huấn luyện Teacher forcing.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả quy trình xây dựng thực nghiệm từ dữ liệu đến mô hình:

  • Xây dựng tập dữ liệu Shopee Fashion Product Images: Trình bày cấu trúc bảng dữ liệu Product, quy trình thu thập dữ liệu tự động, tiêu chuẩn làm sạch và hướng dẫn gán nhãn thủ công với sự tham gia của nhóm hỗ trợ gán nhãn. Cấu trúc cây dữ liệu hoàn chỉnh gồm 3 tầng: 2 Master categories, 37 Sub categories và 95 Article types với quy mô hơn 130.000 hình ảnh.
  • Chỉ số đánh giá: Định nghĩa chi tiết các chỉ số đo lường hiệu năng gồm True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN), độ chính xác (Accuracy) và F1-Score trên từng tầng phân loại.
  • Phân tích thực nghiệm: Báo cáo bảng số liệu đánh giá đối sánh giữa ba mô hình VGG16, B-CNN và Condition-CNN trên hai bộ dữ liệu (Kaggle Fashion Product Images và Shopee Fashion Product Images).
  • Trực quan hóa với Grad-CAM: Phân tích trực quan các vùng tập trung đặc trưng của từng mô hình trên các mẫu ảnh sản phẩm phức tạp, làm rõ nguyên nhân Condition-CNN cho kết quả phân loại chuẩn xác hơn VGG16 và B-CNN.
  • Triển khai ứng dụng: Trình bày kiến trúc hệ thống phục vụ mô hình với TensorFlow Serving, sơ đồ luồng dữ liệu API và giao diện web minh họa chạy thử nghiệm.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được của khóa luận: xây dựng thành công tập dữ liệu quy mô lớn, chứng minh thực nghiệm tính vượt trội của mô hình Condition-CNN trong bài toán phân loại đa tầng so với B-CNN và VGG16, và hoàn thiện hệ thống web demo. Đồng thời, chương trình bày các hạn chế kỹ thuật hiện tại và vạch ra các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Đề tài đạt được các kết quả cụ thể thông qua số liệu thực nghiệm trên hai bộ dữ liệu:

  1. Bộ dữ liệu chuẩn hóa: Xây dựng thành công bộ dữ liệu ảnh thời trang phân tầng từ sàn Shopee với quy mô hơn 130.000 hình ảnh được gán nhãn cấu trúc cây gồm 3 cấp:

    • Cấp 1 (Master category): 2 danh mục chính.
    • Cấp 2 (Sub category): 37 danh mục con.
    • Cấp 3 (Article type): 95 danh mục chi tiết (nút lá).

  2. Hiệu năng mô hình thực nghiệm: Kết quả đánh giá so sánh cho thấy phương pháp thuộc hướng tiếp cận toàn cục Condition-CNN cho hiệu quả vượt trội so với B-CNN (toàn cục) và VGG16 (tiếp cận phẳng). Trên bộ dữ liệu thực tế thu thập từ Shopee, mô hình Condition-CNN đạt độ chính xác ở các tầng Master category, Sub category và Article type lần lượt đạt mức cao, trong đó độ chính xác tại tầng phân loại đạt 93.08%.

Mô hình Hướng tiếp cận Cơ chế ràng buộc phân cấp Tận dụng quan hệ cha - con
VGG16 Phẳng (Flat) Không có (chỉ dự đoán tầng lá rồi suy ngược) Không
B-CNN Toàn cục (Global) Phân nhánh tích hợp từ các tầng trích xuất Có (qua chia sẻ nhánh thân)
Condition-CNN Toàn cục (Global) Ma trận trọng số xác suất có điều kiện (CPWM) Rất cao (ràng buộc xác suất có điều kiện)

  1. Giải thích mô hình bằng Grad-CAM: Phân tích Grad-CAM chứng minh mô hình Condition-CNN có khả năng tập trung sự chú ý vào các vùng đặc trưng cốt lõi của trang phục (cổ áo, tay áo, vạt áo) tốt hơn, loại bỏ hiệu quả các vùng nhiễu ngoại cảnh, chữ quảng cáo hoặc phụ kiện đi kèm so với VGG16.

  2. Đóng góp khoa học và thực tiễn:

    • Hệ thống hóa toàn diện cơ sở lý thuyết, phân loại chi tiết các hướng tiếp cận phân loại đa tầng (phẳng, cục bộ LCN/LCPN/LCL, toàn cục).
    • Đóng góp bộ dữ liệu hình ảnh thời trang thương mại điện tử quy mô lớn có gán nhãn phân tầng thực tế tại thị trường Việt Nam.
    • Kiểm chứng thực nghiệm tính ưu việt của việc áp dụng xác suất có điều kiện (CPWM) trong việc duy trì tính nhất quán giữa các tầng nhãn danh mục.
    • Triển khai thành công ứng dụng web minh họa tích hợp mô hình phân loại thông qua công nghệ TensorFlow Serving.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được trình bày trong văn bản, khóa luận tồn tại các hạn chế và định hướng phát triển sau:

  • Về dữ liệu: Bộ dữ liệu Shopee thu thập từ môi trường thương mại điện tử thực tế vẫn gặp hiện tượng mất cân bằng số lượng mẫu giữa các danh mục; hình ảnh còn chứa nhiều yếu tố gây nhiễu chưa được làm sạch tuyệt đối (chữ chèn quảng cáo, ảnh ghép nhiều sản phẩm, sản phẩm bị che khuất một phần hoặc sản phẩm unisex).
  • Về mô hình: Kiến trúc phân loại toàn cục có độ phức tạp tính toán lớn; việc huấn luyện đòi hỏi tài nguyên phần cứng cao; khi cấu trúc cây danh mục của sàn thay đổi (thêm hoặc bớt danh mục), toàn bộ mô hình phải được tái huấn luyện từ đầu.
  • Hướng nghiên cứu tiếp:
    1. Mở rộng quy mô và cân bằng dữ liệu cho các danh mục có ít mẫu; nghiên cứu các kỹ thuật tiền xử lý tự động loại bỏ nhiễu chữ quảng cáo và tách nền phức tạp.
    2. Thử nghiệm áp dụng các kiến trúc mạng trích xuất đặc trưng mới hơn ngoài VGG16.
    3. Cải tiến giải thuật ràng buộc phân tầng để xử lý trường hợp một sản phẩm có thể thuộc nhiều nhánh danh mục khác nhau trong đồ thị có hướng không chu trình (DAG).

Giá trị tham khảo

Tài liệu khóa luận này mang lại giá trị tham khảo học thuật và ứng dụng thực tiễn cho các đối tượng sau:

  • Sinh viên và học viên ngành Khoa học Máy tính, Trí tuệ Nhân tạo, Công nghệ Thông tin: Tài liệu cung cấp cơ sở lý thuyết có hệ thống về bài toán phân loại đa tầng (Hierarchical Classification), chỉ ra ranh giới rõ ràng giữa các hướng tiếp cận phẳng, cục bộ và toàn cục kèm theo các công thức, sơ đồ phân cấp trực quan.
  • Nhóm nghiên cứu về Thị giác máy tính trong Thương mại điện tử: Bản mô tả chi tiết quy trình thu thập dữ liệu Shopee, cấu trúc bảng dữ liệu Product và phương pháp xử lý cây phân tầng 3 cấp là tài liệu tham khảo thực tế cho các bài toán phân loại sản phẩm bán lẻ.
  • Kỹ sư triển khai mô hình học sâu: Phần kiến trúc hệ thống minh họa sử dụng TensorFlow Serving và API REST/gRPC cung cấp quy trình mẫu chuẩn mực để đưa các mô hình CNN từ môi trường nghiên cứu thực nghiệm sang môi trường phục vụ suy luận thực tế.

Câu hỏi thường gặp

1. Điểm khác biệt cơ bản giữa bài toán phân loại đa tầng (Hierarchical classification) và bài toán phân loại hình ảnh phẳng truyền thống là gì?
Trong phân loại hình ảnh phẳng, tất cả các nhãn đầu ra được đối xử độc lập và ngang hàng trong một không gian duy nhất. Ngược lại, trong phân loại đa tầng, các nhãn được tổ chức theo một cấu trúc phân cấp (dạng cây hoặc đồ thị có hướng không chu trình DAG), thể hiện mối quan hệ từ tổng quát đến chi tiết (ví dụ: lớp cha liên kết với các lớp con). Mỗi đối tượng đầu vào được dự đoán đồng thời một tập hợp nhãn tương ứng qua từng cấp bậc của cấu trúc này.

2. Vì sao nhóm tác giả không lựa chọn hướng tiếp cận cục bộ (Local approach) để giải quyết bài toán trên tập dữ liệu Shopee?
Hướng tiếp cận cục bộ (như LCN, LCPN) đòi hỏi phải huấn luyện một lượng lớn các mô hình phân loại riêng biệt tương ứng với từng nút hoặc từng nút cha trong cây. Với bộ dữ liệu Shopee gồm 37 danh mục con và 95 danh mục chi tiết, việc duy trì hàng chục mô hình con khiến hệ thống trở nên cồng kềnh, tốn kém tài nguyên tính toán và đặc biệt dễ tích lũy sai số dọc theo các cấp phân tầng dẫn đến sự không nhất quán giữa nhãn cha và nhãn con.

3. Cơ chế hoạt động của Ma trận trọng số xác suất có điều kiện (CPWM) trong mạng Condition-CNN là gì?
Ma trận CPWM trong mạng Condition-CNN thiết lập mối ràng buộc xác suất giữa các cấp phân loại. Thay vì để các nhánh dự đoán độc lập, CPWM sử dụng phân phối xác suất dự đoán từ tầng cha (Master category hoặc Sub category) làm điều kiện tiên quyết tác động lên không gian dự đoán của tầng con liền kề (Article type), từ đó triệt tiêu hiện tượng mâu thuẫn phân cấp và nâng cao độ chính xác tổng thể.

4. Kỹ thuật Grad-CAM đóng vai trò gì trong việc đánh giá các mô hình thực nghiệm của khóa luận?
Grad-CAM là phương pháp trực quan hóa sử dụng gradient của điểm số lớp dự đoán đi vào lớp tích chập cuối cùng để tạo ra bản đồ nhiệt kích hoạt (Class Activation Map). Kỹ thuật này giúp tác giả giải thích cơ chế hoạt động của các mạng học sâu (VGG16, B-CNN, Condition-CNN), chứng minh vùng không gian ảnh mà mô hình dựa vào để đưa ra quyết định là vùng chứa đặc trưng thực của sản phẩm hay bị phân tâm bởi các yếu tố nhiễu như chữ quảng cáo, người mẫu hoặc hậu cảnh.

5. Bộ dữ liệu Shopee Fashion Product Images được nhóm tác giả tổ chức với cấu trúc cụ thể như thế nào?
Bộ dữ liệu gồm hơn 130.000 ảnh sản phẩm được tổ chức theo cấu trúc cây 3 tầng phân cấp rõ rệt: tầng 1 (Master category) gồm 2 danh mục lớn; tầng 2 (Sub category) gồm 37 danh mục con; và tầng 3 (Article type) gồm 95 danh mục lá chi tiết, phản ánh chính xác cấu trúc danh mục hàng hóa thực tế trên sàn thương mại điện tử Shopee.

Kết luận

Khóa luận tốt nghiệp của tác giả Đào Văn Tài và Hoàng Tiến Dũng đã giải quyết toàn diện bài toán phân loại đa tầng cho hình ảnh sản phẩm thời trang thương mại điện tử bằng hướng tiếp cận toàn cục. Đề tài đóng góp một bộ dữ liệu thực tế quy mô lớn gồm hơn 130.000 hình ảnh từ sàn Shopee được tổ chức theo cấu trúc phân tầng 3 cấp chặt chẽ. Kết quả thực nghiệm và phân tích Grad-CAM khẳng định mô hình Condition-CNN đạt hiệu năng vượt trội so với B-CNN và VGG16, đạt độ chính xác phân loại 93.08% nhờ cơ chế ràng buộc xác suất có điều kiện hiệu quả. Công trình được hoàn thiện trọn vẹn thông qua việc đóng gói và triển khai ứng dụng web minh họa sử dụng công nghệ TensorFlow Serving phục vụ suy luận thời gian thực.