Generativne suparničke mreže i primjene

diplomski rad

• Naslov (engleski): Generative rival networks and applications
• Autor: Mate Peroš
• Mentor: Zvonimir Bujanović (mentor)
• Član povjerenstva: Zvonimir Bujanović (predsjednik povjerenstva)
• Član povjerenstva: Goran Muić (član povjerenstva)
• Član povjerenstva: Vedran Čačić (član povjerenstva)
• Član povjerenstva: Josip Tambača (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2022-03-03, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

Povećanje razlučivosti česta je tema istraživanja u području računalnog vida. Problem povećanja razlučivosti je proces dobivanja slike visoke razlučivosti iz odgovarajuće slike niske razlučivosti i pronalazi veliku primjenu u satelitskom snimanju, obradi medicinskih prikaza, analizi fotografija teksta te biometrijskom prepoznavanju. U ovom radu dali smo pregled teorije generativnih suparničkih mreža, modela koji se sastoje od dvije suprotstavljene mreže, generatorske i diskriminatorske, gdje generatorska ima zadatak naučiti distribuciju ulaznih podataka s ciljem generiranja novih, uvjerljivih podataka, a diskriminatorska nastoji postići što veći uspjeh u raspoznavanju stvarnih podataka od generiranih. Također, promotrili smo dvije funkcije pogreške, prvu temeljenu na binarnoj unakrsnoj entropiji, a drugu na Wasserstein udaljenosti i kažnjavanju odstupanja gradijenta. Konačno, predložili smo dva modela za rješavanje problema povećanja razlučivosti temeljena na generativnih suparničkim mrežama, prvog s funkcijom pogreške temeljenom na binarnoj unakrsnoj entropiji, a drugog s funkcijom pogreške temeljenoj na Wasserstein udaljenosti i kažnjavanju odstupanja gradijenta. Takvi modeli pokazali su se kao kvalitetna zamjena za duboke konvolucijske modele i postigli su fine detalje na slikama povećane razlučivosti bez potrebe za velikim brojem konvolucijskih slojeva.

Sažetak (engleski)

Single image super-resolution is a common research topic in the field of computer vision. The problem of single image super-resolution is the process of obtaining a high-resolution image from a corresponding low-resolution image and finds great application in satellite imaging, medical imaging, text-to-photo analysis and biometric recognition. In this thesis, we provide an overview of the theory of generative adversarial networks which are models of two adversarial networks, generator and discriminator, where the generator has the task of learning the distribution of input data to generate new, compelling data, and the discriminator seeks to achieve success in recognizing real data from generated. We also considered two error functions, the first based on binary cross entropy and the second on Wasserstein distance and gradient penalty. Finally, we proposed two models to solve the problem of single image super-resolution based on generative adversarial networks, the first with a loss function based on binary cross entropy, and the second with a loss function based on Wasserstein distance and gradient penalty. Such models have proven to be a quality replacement for deep convolutional models and have achieved fine detail in high-resolution images without the need for a large number of convolutional layers.

• Ključne riječi: računalni vid; analiza fotografija; distribucija ulaznih podataka; binarna unakrsna entropija; Wasserstein udaljenost; slike povećane razlučivosti
• Ključne riječi (engleski): computer vision; text-to-photo analysis; distribution of input data; binary cross entropy; Wasserstein distance; high-resolution images
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:156267
• Studijski program: Naziv: Računarstvo i matematika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2022-03-30 10:09:29