Translated from English to Vietnamese - www.onlinedoctranslator.

com

Xem các cuộc thảo luận, số liệu thống kê và hồ sơ tác giả của ấn phẩm này tại:https://www.researchgate.net/publication/300682223

Mô hình hóa đánh giá cảm xúc của trang phục áo dài truyền thống Việt Nam
dựa trên thị giác máy tính và học máy

chương· Tháng 4 năm 2014

DOI: 10.1007/978-3-319-04798-0_9

TRÍCH DẪN ĐỌC

1 1.395

4 tác giả, bao gồm:

Thắng Cao Yukinobu Hoshino

Đại học Tokyo Đại học Công nghệ Kochi
48CÔNG BỐ201TRÍCH DẪN 105CÔNG BỐ290TRÍCH DẪN

XEM HỒ SƠ XEM HỒ SƠ

Một số tác giả của ấn phẩm này cũng đang thực hiện các dự án liên quan sau:

Mô hình giao dịch đầu tưXem Kế hoạch

Khung quản lý năng lượng cho siêu máy tính hậu PetascaleXem Kế hoạch

Tất cả nội dung sau trang này đã được tải lên bởiThắng Caovào ngày 31 tháng 5 năm 2016.

Người dùng đã yêu cầu nâng cao tệp đã tải xuống.

 Mô hình hóa đánh giá cảm xúc của trang
phục áo dài truyền thống Việt Nam dựa trên
thị giác máy tính và học máy

Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

Accepted to publish in the book title "Industrial Applications of Affective Engineering"

- the book of selected papers of ISAE2013/JSKE2013

trừu tượngXã hội loài người càng phát triển thì nhu cầu về quần áo chỉn
chu, lịch sự của con người càng lớn, đặc biệt là trang phục truyền thống.
Lựa chọn quần áo đẹp cho một dịp cụ thể luôn là một câu hỏi thú vị của
mỗi cá nhân. Dựa trên thị giác máy tính và học máy, nghiên cứu này đề
xuất đánh giá Kansei (cảm xúc) cho Aodai, loại trang phục truyền thống và
nổi tiếng của phụ nữ Việt Nam. Đặc điểm của hình ảnh Aodai được mô tả
bằng vectơ kết hợp màu sắc (CCV). Bản đồ tự tổ chức và mạng lưới thần
kinh nhiều lớp được sử dụng để tìm hiểu mối quan hệ giữa các đặc điểm
của hình ảnh và các từ Kansei. Sau khi tìm hiểu, hệ thống có thể đề xuất
loại áo dài nào phù hợp với phụ nữ thông qua cảm xúc mong muốn của cô
ấy. Cô ấy có thể sử dụng đề xuất này khi mua Áo dài tại các cửa hàng trực
tuyến hoặc chọn một chiếc từ bộ sưu tập của riêng mình để đi chơi.

Thắng Cao
Đại học Điện tử Truyền thông Tokyo, Nhật Bản, e-mail: thawngc@gmail.com
Hùng T. Nguyễn
Đại học Khoa học Tự nhiên ĐHQGHN, Hà Nội, Việt Nam, e-mail: nguyenthehungkhmttn@gmail.com

Hiền M. Nguyễn
Đại học Thủy lợi Hà Nội, Hà Nội, Việt Nam, e-mail: hiennm@wru.vn
Yukinobu Hoshino
Đại học Công nghệ Kochi, Kochi, Nhật Bản, e-mail: hoshino.yukinobu@kochi-tech.ac.jp

1
2 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

1. Giới thiệu

Một khía cạnh quan trọng làm nổi bật vẻ đẹp của người phụ nữ Việt Nam là trang phục
áo dài. Những phiên bản đầu tiên của áo dài Việt Nam xuất hiện vào thế kỷ 17 dưới thời
nhà Nguyễn. Trong suốt lịch sử đất nước, áo dài ít thay đổi về kiểu dáng, hoa văn trang
trí và màu sắc [1]. Hiện nay, kiểu áo dài được ưa chuộng nhất là áo dài ôm sát phần thân
trên của phụ nữ, xẻ thành hai tà từ thắt lưng trở xuống, che đi chiếc quần rộng. Phong
cách này làm nổi bật vòng một và đường cong của người phụ nữ đồng thời giúp bạn dễ
dàng di chuyển, như trong Hình 1.
Mỗi chiếc áo dài được tùy chỉnh để phù hợp với một cơ thể cụ thể. Màu sắc và hoa văn trang trí,
cùng với cảm xúc của người mặc, thường phụ thuộc vào độ tuổi và môi trường sống. Các cô gái trẻ
thường mặc đồ màu trắng tinh, phụ nữ văn phòng thường mặc đồ màu phấn tinh tế với trang trí nhẹ
nhàng, còn phụ nữ trung niên thường mặc trang phục và màu sắc mạnh mẽ, phong phú, như minh
họa trong Hình 2. Áo dài của phụ nữ cũng thể hiện cá tính và địa vị xã hội của họ.

Sử dụng thị giác máy tính và học máy, bài viết này trình bày hệ thống đánh giá Kansei
cho Áo dài. Dựa trên hình ảnh áo dài và đánh giá cảm xúc thu thập được từ một cuộc
khảo sát, hệ thống ước tính liệu hình ảnh áo dài có phù hợp với cảm xúc của phụ nữ hay
không. Phần 2 mô tả việc lựa chọn áo dài cho những dịp khác nhau. Phần 3 giới thiệu kỹ
thuật Kansei trong thiết kế thời trang. Phần 4 và 5 trình bày việc lựa chọn từ ngữ Kansei,
đặc điểm hình ảnh và chuẩn bị dữ liệu trong thí nghiệm của chúng tôi. Phần 6 trình bày
mô hình đánh giá Kansei cho hình ảnh Aodai được thể hiện bằng biểu đồ CCV với Bản đồ
tự tổ chức và Mạng lưới thần kinh. Kết luận của chúng tôi và các công việc trong tương
lai sẽ được thảo luận trong Phần 7.

Hình 1: Thiết kế của Aodai (Nguồn: Wikipedia)

Làm Mô Hình Đánh Giá Cảm Xúc Trang Phục Áo Dài Truyền Thống Việt Nam 3

Hình 2: Ví dụ về áo dài dành cho nữ (trái), nữ công sở (giữa) và phụ nữ trung niên (phải)

2 Chọn áo dài cho một dịp đặc biệt

Trong mỗi lần ăn mặc, chúng ta càng mặc trang phục lịch sự thì chúng ta càng nhận được sự tôn
trọng từ những người xung quanh. Quần áo và thời trang của một người có thể mang lại bầu không
khí thư giãn và thú vị cho người khác. Chúng ta thường tự hỏi làm thế nào để chọn quần áo phù hợp
cho một dịp cụ thể để chúng ta có thể trở nên nổi bật hoặc giống như những người khác.

Ở Việt Nam, phụ nữ thường có một bộ sưu tập áo dài với nhiều màu sắc và cách
trang trí đa dạng, mỗi lần đi chơi lại chọn một bộ phù hợp với cảm xúc của riêng mình.
Dưới đây là một số câu hỏi cô ấy có thể tự hỏi mình khi chọn quần áo:

• Nơi gặp gỡ: khuôn viên trường đại học, văn phòng, khách sạn hay công viên?
• Những cảm xúc mà cô ấy muốn người khác cảm nhận về mình: sống động, ngọt ngào hay nhẹ nhàng?

• Mục đích hoạt động: hội nghị, đi chơi, biểu diễn hay nghi lễ?
• Cô ấy sẽ gặp ai: sinh viên, nhân viên văn phòng hay doanh nhân?
• Còn những người xung quanh thì sao: trẻ, trung niên, già hay tất cả họ?

Từ những câu hỏi như vậy, người phụ nữ sẽ chọn một chiếc áo dài có màu sắc và cách trang trí
mà cô cho là phù hợp nhất và mong rằng những người khác cũng có cảm nhận tương tự. Tuy nhiên,
đôi khi những thứ được lựa chọn theo cảm tính của một cá nhân lại không phù hợp.
4 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

của người khác và người mặc có thể cần một lời khuyên, đặc biệt là khi tham dự một sự kiện
đặc biệt. Cô cũng cần được tư vấn khi tìm kiếm một chiếc áo dài phù hợp trên các cửa hàng
trực tuyến.

3 Kỹ thuật Kansei trong thiết kế thời trang

Kansei hay Affective Eengineering chuyển cảm xúc và tình cảm của con người thành các
thông số cụ thể có thể được sử dụng để phát triển, thiết kế và đánh giá sản phẩm [2].
Cho đến nay có rất ít nghiên cứu của Kansei về thời trang như quần áo, thiết kế vải [3, 4,
5] và thời trang [6, 7, 8, 9].
Ogata và Onisawa [3] đã đề xuất một hệ thống trình bày một số mẫu thiết kế quần áo
cho người dùng. Dựa trên đánh giá của người dùng, hệ thống chạy thuật toán di truyền
để tìm kiếm qua các mẫu quần áo cho đến khi tìm thấy mẫu ưng ý.
Kim và Cho [4] cũng sử dụng thuật toán di truyền tương tác để phát triển hệ thống
hỗ trợ thiết kế thời trang. Họ phân loại thiết kế váy dành cho phụ nữ thành ba phần
được thể hiện bằng các mô hình 3-D riêng biệt, sau đó tạo ra các thiết kế khác nhau từ
sự kết hợp của các mô hình này. Hệ thống đề xuất thiết kế phù hợp hơn thông qua phiên
tương tác với người dùng.
Sử dụng lý thuyết tập thô, Santos và Rebelo [5] đã xây dựng một cơ sở dữ liệu ngữ
nghĩa mô tả mối quan hệ giữa chức năng và bối cảnh sử dụng quần áo. Hệ thống được
đề xuất cung cấp cho các nhà thiết kế và sản xuất quần áo những thông tin liên quan
như sở thích quần áo của người dùng cho một nhiệm vụ nhất định và do đó có thể trợ
giúp khi bắt đầu quá trình thiết kế quần áo.
Sử dụng Phân tích thành phần chính, Anitawati et al. điều tra mối quan hệ giữa thiết kế
trang web thương mại điện tử và phản ứng cảm xúc của người tiêu dùng đối với trang web.
Các mối quan hệ được phân tích dựa trên các quy tắc được xác định trước về màu sắc, các yếu
tố thiết kế, bố cục, hướng trang và kiểu chữ [6].
Qua khảo sát với các chuyên gia thời trang, từ nhiều loại thời trang được thu thập từ các tạp chí
và tài liệu thời trang trên toàn thế giới, Yi-Ching Chang et al. sử dụng Phân tích quy mô cụm và đa
chiều để xác định một số hình ảnh phong cách thời trang riêng biệt và xác định ngôn ngữ thiết kế
phù hợp cho từng hình ảnh phong cách. Cuộc khảo sát cũng nhằm tìm ra sự khác biệt trong cảm
nhận hình ảnh phong cách thời trang giữa nhà thiết kế và người tiêu dùng [7].

S. Ishihara và cộng sự. trình bày một máy phân tích cấu trúc ngữ nghĩa tự động và Kansei
người xây dựng hệ thống chuyên gia (ES) bằng cách sử dụng mạng lưới thần kinh tự tổ chức. Hệ
thống tự động phân tích cấu trúc ngữ nghĩa của từ Kansei bằng cách sử dụng hai bản đồ tự tổ chức.
Thông qua giao diện người dùng đồ họa, người dùng có thể duyệt và khám phá các cấu trúc Kansei
do ES tạo ra [8].
Eric và Kamei đã sử dụng mạng lưới thần kinh nhiều lớp để tạo ra giá trị độ rõ
màu từ giá trị RGB của hai hình và mặt đất tiềm năng. Giá trị đầu ra, là diện tích
tương đối lý tưởng của hai hình, được áp dụng cho các thiết kế trực quan bằng
cách tính trọng số của từng giá trị dễ thấy với hệ số nền và kích thước tương đối
của mọi màu trong thiết kế [15].
Làm Mô Hình Đánh Giá Cảm Xúc Trang Phục Áo Dài Truyền Thống Việt Nam 5

Nghiên cứu này đề cập đến việc đánh giá cảm xúc đối với hình ảnh áo dài Việt Nam. Đặc điểm
hình ảnh và từ Kansei được học bằng bản đồ tự tổ chức và mạng lưới thần kinh nhiều lớp. Sau khi
tìm hiểu, hệ thống có thể đề xuất loại Aodai nào phù hợp với phụ nữ thông qua cảm xúc mong
muốn của cô ấy và có thể sử dụng để mua Aodai tại các cửa hàng trực tuyến hoặc chọn một chiếc
từ bộ sưu tập thời trang của riêng cô ấy.

4 Chọn từ Kansei cho Aodai

Từ những tính từ thông dụng được người Việt Nam sử dụng để diễn đạt cảm xúc, cảm nhận về
quần áo, chúng tôi đã tổng hợp được 34 từ Kansei được phân thành 3 nhóm: Thanh lịch, Năng
động và Không năng động. Sau khi tiến hành khảo sát ban đầu, chúng tôi chỉ chọn ra chín từ
cho ba nhóm: Nhóm Thanh lịch, Nhóm Năng động và Không Hoạt động, như minh họa trên
Bảng 1. Sau đó, chúng tôi sử dụng phương pháp thang đo khác biệt ngữ nghĩa với năm cấp độ
từ một đến năm trong khảo sát cảm xúc của quần áo Aodai khác nhau. Hình 3 thể hiện giao
diện của chương trình khảo sát bằng tiếng Việt.

Bảng 1: Từ Kansei cho áo dài

5 Tính năng hình ảnh và dữ liệu đào tạo

Để đưa ra lời khuyên hợp lý về mặt cảm xúc khi lựa chọn quần áo, hệ thống phải có khả năng
mô hình hóa mối quan hệ giữa các đặc điểm của quần áo như màu sắc, kích cỡ, kiểu dáng và
các từ Kansei. Một phương pháp phổ biến để thể hiện hình ảnh quần áo là biểu đồ, như được
mô tả bên dưới.

5.1 Biểu đồ cường độ màu

Biểu đồ cường độ màu biểu thị số lần xuất hiện cường độ màu trong ảnh. Đối
với một hình ảnhTÔI: (x, y)→[0,255] ở đâu (x, y)là một pixel liên tiếpxVà
6 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

Hình 3: Giao diện chương trình khảo sát

cộtycủa ảnh, biểu đồ cường độ màu được cho như sau:

hTôi=Thẻ{(x, y)|Tôi(x, y) =Tôi} (1)

Điều đó có nghĩa làhTôilà số lượng pixel có giá trị cường độ màu làTôi. Biểu đồ
màu thường được sử dụng để so sánh các hình ảnh vì các đối tượng khác nhau
thường có biểu đồ đặc biệt và biểu đồ rất dễ tính toán. Tuy nhiên, biểu đồ màu chỉ
hiển thị thông tin cường độ điểm ảnh tổng thể và không thể hiện mối tương quan
giữa các đối tượng màu trên ảnh. Hai hình ảnh khác nhau có thể có cùng biểu đồ
cường độ màu.

5.2 Vectơ kết hợp màu sắc

Vectơ kết hợp màu (CCV) là một phương pháp dựa trên biểu đồ để so sánh các hình ảnh kết
hợp thông tin không gian [11]. Sự kết hợp của một màu được định nghĩa là mức độ mà các
pixel của màu đó là thành viên của các vùng lớn có màu tương tự nhau. Các vùng quan trọng
được gọi là vùng kết hợp. Các pixel mạch lạc là một phần của một số vùng liền kề có kích
thước lớn trong khi các pixel không mạch lạc thì không. CCV lưu trữ số lượng pixel mạch lạc và
không mạch lạc cho mỗi màu. CCV ngăn các pixel mạch lạc trong một hình ảnh khớp với các
pixel không mạch lạc trong một hình ảnh khác. Điều này cho phép phân biệt rõ ràng mà biểu
đồ cường độ màu không thể thực hiện được.
Để tính toán CCV, trước tiên, hình ảnh sẽ hơi mờ, sau đó không gian màu được
rời rạc hóa thànhNxô màu. Tiếp theo, các thành phần được kết nối có cùng
Làm Mô Hình Đánh Giá Cảm Xúc Trang Phục Áo Dài Truyền Thống Việt Nam 7

các nhóm màu rời rạc được tính toán. Một pixel được kết hợp nếu kích thước của thành phần được
kết nối của nó vượt quá một giá trị cố địnhτvà nếu không thì pixel sẽ không mạch lạc.
CCV của hình ảnh là vector⟨(αTôi,βTôi)⟩, Ở đâuαTôilà số lượng pixel kết
hợp vàβTôilà số lượng pixel không mạch lạc củaTôi-màu rời rạc thứ . Có
báo cáo cho rằng CCV tốt hơn biểu đồ màu khi so sánh hình ảnh [11]. Hình
4 minh họa các vùng CCV trên ảnh Aodai.

Hình 4: Minh họa các vùng CCV

5.3 Dữ liệu huấn luyện

Dữ liệu đào tạo để xây dựng hệ thống bao gồm 110 hình ảnh về trang phục Aodai và các
từ Kansei tương ứng được thu thập từ khảo sát với 41 người Việt Nam ở nhiều độ tuổi và
vị trí xã hội khác nhau. Sau khảo sát, chúng tôi có 110×41 = 4510 mẫu huấn luyện với số
lượng chi tiết cho từng từ Kansei được trình bày trong Bảng 2.
Từ hình ảnh Aodai, biểu đồ CCV chuẩn hóa được tạo và làm rõ sau khi thực
hiện các bước xử lý trước hình ảnh thích hợp, chẳng hạn như cân bằng biểu đồ
và loại bỏ nhiễu.
số 8 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

Bảng 2: Số lượng mẫu huấn luyện cho mỗi từ Kansei

Từ Kansei Trường hợp đào tạo Tỷ lệ phần trăm

Tỉnh táo 415 09:20

Thanh lịch 734 16,27
Dễ thương 551 12.22
sặc sỡ 448 09.93
Hấp dẫn 489 10,84
Lộng lẫy 520 11:53
Bình thường 784 17:38
Suy nhược 218 04.83
Yên tĩnh 351 07.78

6 Mô hình hóa mối quan hệ giữa trang phục áo dài và từ Kansei

6.1 Lập mô hình bằng SOM

Bản đồ tự tổ chức (SOM) là một loại hình học tập không giám sát. Nó thường được sử
dụng để khám phá các cấu trúc hoặc mối quan hệ trong dữ liệu. SOM tự động tìm ánh
xạ từ không gian của vectơ đầu vào sang không gian một hoặc hai chiều. Ánh xạ duy trì
sự gần gũi giữa các vectơ; hai vectơ đầu vào gần nhau sẽ được ánh xạ tới các điểm trên
bản đồ đầu ra mà vẫn giữ mối quan hệ không gian trong không gian đầu vào [12].

Ưu điểm của SOM là đơn giản, dễ hiểu và tốt cho việc trực quan hóa dữ liệu. Người ta
có thể dễ dàng huấn luyện mạng và sau đó đánh giá bằng trực giác việc huấn luyện
được thực hiện tốt như thế nào và các đối tượng giống nhau như thế nào. Hạn chế của
SOM là độ chính xác về khoảng cách giữa các nơ-ron đầu ra. Có thể dễ dàng nhận thấy
sự phân bố của các vectơ đầu vào trên bản đồ đầu ra nhưng rất khó để đánh giá chính
xác khoảng cách và độ tương đồng giữa chúng. Hơn nữa, nếu chiều đầu ra và thuật toán
học được chọn không đúng, các vectơ đầu vào tương tự có thể không phải lúc nào cũng
gần nhau và mạng có thể hội tụ về một số điểm tối ưu cục bộ [13].
SOM cho đến nay đã được sử dụng trong nhiều ứng dụng thực tế, bao gồm cả
mô hình Kansei [8, 9, 10]. Trong nghiên cứu này, đầu vào của SOM là biểu đồ CCV
và đầu ra của nó là bản đồ hiển thị vị trí của hình ảnh Aodai. Các hình ảnh áo dài có
điểm tương đồng về biểu đồ CCV sẽ được sắp xếp gần nhau. Các từ Kansei làm
mẫu được mô tả cho những chiếc áo dài tương tự cũng sẽ ở gần nhau. Mô hình
hóa hình ảnh Aodai và chữ Kansei của SOM được minh họa trong Hình 5.

Hình 5: Mô hình hóa hình ảnh áo dài và chữ Kansei bằng SOM
Làm Mô Hình Đánh Giá Cảm Xúc Trang Phục Áo Dài Truyền Thống Việt Nam 9

Hình 6: Mức độ cảm xúc được chuẩn hóa (phải) cho hình ảnh Áo dài (trái) sử dụng các hình ảnh tương tự trên bản đồ
đầu ra của SOM được hiển thị trong Hình 7

Trên nơron chiến thắng trên bản đồ đầu ra, mức độ cảm xúc của mô hình được ước
tính từ các trường hợp huấn luyện rơi vào nơron và các lân cận của nó được mô tả bên
dưới.
Hãy để nơron chiến thắng làB, nơron lân cận của nó làBN(N=1,...,N), mức độ của
các từ cảm xúc được mô phỏng bởi người chiến thắngMỘTj(j=1,...,9 cho chín từ cảm
xúc.)MỘTjđược tính như sau:

N
j +
MỘTj=MỘTB ∑MỘTjBN ×dBN→B (2)
N=1

j VàMỘTj
Ở đâuMỘTB BN là độ của từMỘTjtrên tế bào thần kinhBVàBN, tương ứng,
dBN→Blà khoảng cách của nơron lân cậnBNtới nơ-ron chiến thắngB,dBN→B
gần bằng một khiBNgânBvà ngược lại nó gần bằng 0.
Khi một người phụ nữ chọn áo dài, hình ảnh của nó sẽ được đưa vào đầu vào SOM và
nơron người chiến thắng sẽ được xác định trên bản đồ đầu ra. Theo phương trình. (2), hệ
thống ước tính mức độ của các từ Kansei liên quan đến tế bào thần kinh của người chiến
thắng để đánh giá cảm xúc đối với Áo dài. Hình 6 cho thấy một ví dụ về đánh giá cảm xúc đối
với hình ảnh Áo dài của SOM. Sơ đồ đầu ra được minh họa trên Hình 7.

6.2 Mô hình hóa bằng mạng nơ-ron nhiều lớp

Là một loại hình học tập có giám sát, mạng thần kinh nhiều lớp (NN) là một kỹ thuật hiệu
quả để phân tích, mô hình hóa và hiểu dữ liệu phức tạp trên một loạt các ứng dụng. Nó
cho phép các hệ thống thông minh học hỏi kinh nghiệm và ví dụ, cải thiện hiệu suất của
hệ thống theo thời gian [14, 15, 16]. Để huấn luyện một dây thần kinh
10 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

Hình 7: Bản đồ SOM cho Hình ảnh Aodai sau khi học với biểu đồ CCV

mạng, cần phải cung cấp một tập hợp các trường hợp đào tạo với đầu ra tương ứng. Mạng lưới thần kinh đã
được đào tạo có thể được sử dụng để dự đoán kết quả đầu ra cho dữ liệu đầu vào chưa xác định.
Khi mô hình hóa các đánh giá cảm xúc về trang phục Aodai, đầu vào của mạng lưới thần kinh là
các đặc điểm của hình ảnh Aodai và đầu ra là các từ Kansei cùng với mức độ của chúng. Sau khi đào
tạo, mối quan hệ giữa các đặc điểm hình ảnh và các từ cảm xúc sẽ được khái quát hóa và mạng lưới
thần kinh được đào tạo có thể đưa ra một từ cảm xúc thích hợp cho hình ảnh Aodai mới. Khi một
người phụ nữ tìm kiếm áo dài, hệ thống có thể giúp cô ấy xác định cảm nhận của mọi người về chiếc
áo dài mà cô ấy thích. Mô hình hóa bằng mạng nơ-ron được hiển thị trong Hình 8.
Làm Mô Hình Đánh Giá Cảm Xúc Trang Phục Áo Dài Truyền Thống Việt Nam 11

Hình 8: Mô hình hóa cảm xúc trên hình ảnh Aodai bằng Neural Network

Hình 9: Mức độ cảm xúc được chuẩn hóa từ Mạng nơ-ron cho hình ảnh đầu vào được hiển thị bên trái của
Hình 6

Trong thử nghiệm của chúng tôi, đầu vào của NN là biểu đồ CCV và đầu ra là chín từ
Kansei. NN áp dụng hàm sin trên lớp ẩn và hàm nhận dạng trên lớp đầu ra. Hình 9 thể
hiện đánh giá cảm xúc được chuẩn hóa của NN đối với hình ảnh đầu vào được hiển thị ở
bên trái của Hình 6. Như được minh họa trên Hình 6 và Hình 9, các tính từ mức độ chi
phối gần như giống nhau khi sử dụng cả SOM và NN để lập mô hình cảm xúc của hình
ảnh áo dài.

7 kết luận

Bài viết này trình bày một mô hình đánh giá cảm xúc cho trang phục Áo dài truyền thống của
Việt Nam dựa trên thị giác máy tính và học máy. Dựa trên dữ liệu hình ảnh và những từ ngữ
Kansei giàu cảm xúc thu thập được từ khảo sát, hệ thống có thể đề xuất những từ ngữ giàu
cảm xúc nào phù hợp với một bộ áo dài nhất định. Kết quả thử nghiệm cho thấy SOM và mạng
lưới thần kinh là những công cụ phù hợp để mô hình hóa các đánh giá cảm xúc về hình ảnh
Aodai được mô tả bằng biểu đồ CCV.
Nghiên cứu trong tương lai của chúng tôi bao gồm việc điều tra các phương pháp biểu diễn hình ảnh
khác, chẳng hạn như kết hợp các nhóm màu ở các phần khác nhau của Aodai, sử dụng nhiều hơn nữa.
 12 Thắng Cao, Hùng T. Nguyễn, Hiền M. Nguyễn và Yukinobu Hoshino

mô tả chi tiết trong các mẫu trang trí, tích hợp các yếu tố dễ thấy như sự hài hòa về màu sắc,
khả năng phân biệt và khả năng hiển thị. Chúng tôi dự định tiến hành một cuộc khảo sát với
nhiều người hơn và mở rộng nghiên cứu về hình ảnh Áo dài với phông nền khung cảnh hướng
ngoại.

Sự nhìn nhậnCác tác giả xin cảm ơn ông Đặng Tuấn Linh tại Đại học Ritsumeikan và
những người khác vì sự giúp đỡ quý báu trong khảo sát đánh giá Aodai.

Người giới thiệu

1. P. Kauffner (2010) Áo dài: Sự quyến rũ và duyên dáng của trang phục truyền thống Việt Nam, Asia Insights:
Destination Asia, Tháng 9-10.
2. M. Nagamachi (2010) Kansei Engineering: Kansei/Affective Engineering (Đổi mới công nghiệp), Tái bản
lần thứ nhất, CRC Press.
3. Y. Ogata và T. Onisawa (2008) Hệ thống hỗ trợ thiết kế quần áo tương tác, Ghi chú bài giảng về
Khoa học máy tính 4985:657-665
4. H.-S. Kim và S.-B. Cho (2000) Ứng dụng thuật toán di truyền tương tác vào thiết kế
thời trang, Ứng dụng kỹ thuật trí tuệ nhân tạo, 13: 635-644
5. M. Santos và F. Rebelo (2007) Hệ thống chuyên gia hỗ trợ quá trình thiết kế quần áo, Bài
giảng về khoa học máy tính, 4566: 284-289
6. ML Anitawati, N Laila, M Nagamachi (2007) ”Kansei Engineering: Nghiên cứu về nhận thức
của trang web quần áo trực tuyến.” Kỷ yếu Hội nghị quốc tế lần thứ 10 về quản lý chất
lượng và phát triển hoạt động
7. Yi-Ching Chang và cộng sự. (2003) Một nghiên cứu của Kansei về Hình ảnh Phong cách của Thiết kế Thời trang, Hội nghị
Quốc tế về Thiết kế Châu Á lần thứ 6
8. S. Ishihara, K. Ishihara, M. Nagamachi và Y. Matsubara(1997) Phân tích cấu trúc Kansei trên
giày sử dụng Mạng lưới thần kinh tự tổ chức, Tạp chí quốc tế về Công thái học công
nghiệp, 19:93-104
9. S. Ishihara, K. Ishihara, M. Nagamachi và Y. Matsubara (1995) Hệ thống chuyên gia kỹ thuật
Kansei dựa trên mạng thần kinh. Ứng dụng phân tích cấu trúc Kansei trong đánh giá màu
sắc, Tạp chí Công thái học Nhật Bản, 31(6):389-398
10. The, CS và Lim, Chee Peng (2007) Hệ thống kỹ thuật lai Kansei sử dụng mạng lưới thần kinh
bản đồ tự tổ chức, Tạp chí CNTT ở Châu Á, 2(1):23-38
11. G. Pass, R. Zabih và J. Miller (1997) So sánh hình ảnh bằng cách sử dụng vectơ kết hợp màu sắc, Kỷ
yếu của Hội nghị quốc tế ACM về đa phương tiện lần thứ 4: 65-73
12. T. Kohonen (2006) Bản đồ tự tổ chức, tái bản lần thứ 3, Springer
13. T. Cao, K. Kamei và TL Đặng (2009) Hệ thống trực quan hóa tác dụng kê đơn thảo
dược trong Đông y bằng Bản đồ tự tổ chức, Máy tính mềm y sinh và Khoa học con
người, 14 (1):101-108
14. Thắng, C. và cộng sự. (2006) Mô hình chẩn đoán và kê đơn được đề xuất trong Đông
y sử dụng Mạng thần kinh RBF, Tạp chí Trí tuệ tính toán nâng cao và Tin học thông
minh, 10(4):458-464
15. Eric W. Cooper và Katsuari Kamei (2002) Nghiên cứu về sự rõ ràng của màu sắc để suy luận dễ sử
dụng trong hình dung, nghiên cứu và ứng dụng màu sắc, 27(2):74-82
16. Y Kinoshita và cộng sự. (2006) Kansei và các mô hình hài hòa màu sắc để đánh giá cảnh quan đô thị, Tạp
chí Hệ thống và Kỹ thuật Điều khiển, 220(8):725-734
17. Thắng CAO và Youkinobu HOSHINO (2013) Đề xuất đánh giá Kansei cho trang phục áo dài
truyền thống của Việt Nam dựa trên thị giác máy tính, Kỷ yếu Hội nghị chuyên đề quốc tế
lần thứ nhất về Kỹ thuật cảm xúc (ISAE2013):31-36

Xem số liệu thống kê xuất bản