WEKO3
アイテム
マルチモーダルAIモデルを用いたコーディネート提案システムの構築
https://ipsj.ixsq.nii.ac.jp/records/2007530
https://ipsj.ixsq.nii.ac.jp/records/20075305527b8f0-9c49-4cef-bf25-4ae6ea33e32a
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-HCI26217017.pdf (1.2 MB)
2028年3月2日からダウンロード可能です。
|
Copyright (c) 2026 by the Information Processing Society of Japan
|
|
| 非会員：¥660, IPSJ:学会員：¥330, HCI:会員：¥0, DLIB:会員：¥0 | ||
| Item type | SIG Technical Reports(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2026-03-02 | |||||||||
| タイトル | ||||||||||
| 言語 | ja | |||||||||
| タイトル | マルチモーダルAIモデルを用いたコーディネート提案システムの構築 | |||||||||
| タイトル | ||||||||||
| 言語 | en | |||||||||
| タイトル | Construction of a Clothing Coordination Suggestion System Using Multimodal AI Models | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_18gh | |||||||||
| 資源タイプ | technical report | |||||||||
| 著者所属 | ||||||||||
| 和歌山大学大学院システム工学研究科 | ||||||||||
| 著者所属 | ||||||||||
| 和歌山大学システム工学部 | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Wakayama University | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Wakayama University | ||||||||||
| 著者名 |
蘇,晏
× 蘇,晏× 坂間,千秋
|
|||||||||
| 著者名(英) |
Su Yan
× Su Yan
× Chiaki Sakama
|
|||||||||
| 論文抄録 | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | 本研究では，物体検出，視覚-言語モデル，大規模言語モデル(LLM)，および画像生成モデルを統合したマルチモーダルファッション提案システムを開発する．先ず物体検出モデルYOLOを用いて服装領域を抽出し，視覚-言語モデルCLIP-ViTにより服装の構造および属性を意味的に判別する. 次にLLMを用いて視覚モデルの出力結果とユーザ入力の文脈情報を統合し，自然言語によるコーディネート説明文を生成する．最後に提案システムの有効性を，実験評価する． | |||||||||
| 論文抄録(英) | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | In this study, we develop a multimodal fashion recommendation system that integrates object detection, vision-language models, LLMs, and image generation models. First, we use the YOLO object detection model to extract clothing regions with high precision, followed by the CLIP-ViT vision-language model to semantically determine the structure and attributes of the garments. Next, an LLM is utilized to integrate the output from the vision models with the contextual information of user inputs to generate natural language descriptions for coordinated outfits. Finally, the effectiveness of the proposed multimodal system is verified through experiments. | |||||||||
| 書誌レコードID | ||||||||||
| 収録物識別子タイプ | NCID | |||||||||
| 収録物識別子 | AA1221543X | |||||||||
| 書誌情報 |
研究報告ヒューマンコンピュータインタラクション（HCI） 巻 2026-HCI-217, 号 17, p. 1-8, 発行日 2026-03-02 |
|||||||||
| ISSN | ||||||||||
| 収録物識別子タイプ | ISSN | |||||||||
| 収録物識別子 | 2188-8760 | |||||||||
| Notice | ||||||||||
| SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc. | ||||||||||
| 出版者 | ||||||||||
| 言語 | ja | |||||||||
| 出版者 | 情報処理学会 | |||||||||
