SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2020 / Cilt: 35 - Sayı: 2

Çekişmeli üretici ağ ile ölçeklenebilir görüntü oluşturma ve süper çözünürlük

Ceren GÜZEL TURHAN
Hasan Şakir BİLGE
Pages
953–966
Publication Date
2019-12-25
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu amaçla, önerilen modelin el yazısı görüntülerinden oluşan popüler veri kümesi üzerinde gerçekleştirilen eğitim ile gerçekçi ve süper çözünürlüklü ölçeklenebilir sentetik görüntüler oluşturmadaki başarısı gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Çekişmeli eğitimin derin öğrenme konusundaki ileri gelen araştırmacılar tarafından son 10 yılın en heyecan verici konularından biri olarak ilan edilmesi ile birlikte birçok araştırmacı, Üretici Çekişmeli Ağı (GAN) üzerine yoğunlaşmıştır.
📊
Key Findings & Data:Bu gelişmelerin etkisiyle, bu çalışmada da bir GAN ve VAE hibrit modeline odaklanılmıştır.
💡
Conclusion & Impact:Bu amaçla, önerilen modelin el yazısı görüntülerinden oluşan popüler veri kümesi üzerinde gerçekleştirilen eğitim ile gerçekçi ve süper çözünürlüklü ölçeklenebilir sentetik görüntüler oluşturmadaki başarısı gösterilmiştir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Derin öğrenme · varyasyonel otokodlayıcı · üretici çekişmeli ağlar

Özet

Çekişmeli eğitimin derin öğrenme konusundaki ileri gelen araştırmacılar tarafından son 10 yılın en heyecan verici konularından biri olarak ilan edilmesi ile birlikte birçok araştırmacı, Üretici Çekişmeli Ağı (GAN) üzerine yoğunlaşmıştır. Bu gelişmeler ile birlikte Otokodlayıcı (AE) olarak daha önceden bilinen modelin varyasyonel versiyonu olan Varyasyonel Otokodlayıcı (VAE) ile birlikte Otokodlayıcı modeller yeniden önem kazanmıştır. GAN modellerinin bazı kısıtlamaları, çıkarım mekanizması gibi bazı eksiklikleri, GAN ve VAE hibrit modellerini ortaya çıkmıştır. Bu gelişmelerin etkisiyle, bu çalışmada da bir GAN ve VAE hibrit modeline odaklanılmıştır. Sentetik görüntüler ile istenen çözünürlükte elde edebilmek üzere, Kompozisyonel Örüntü Üreten Ağlar (CPPN) ile GAN ve VAE modelleri bir arada kullanılmıştır. Bu çalışmada, VAE / GAN olarak adlandırılmış bir hibrit modelinde kullanılan objektif fonksiyonu önerilen model ile bir araya getirilmiştir. Deney çalışmalarında model performansının değerlendirmek üzere VAE / CPGAN olarak adlandırdığımız model, temel modelleriyle (GAN, VAE ve VAE / GAN) karşılaştırılmıştır. Bu amaçla, önerilen modelin el yazısı görüntülerinden oluşan popüler veri kümesi üzerinde gerçekleştirilen eğitim ile gerçekçi ve süper çözünürlüklü ölçeklenebilir sentetik görüntüler oluşturmadaki başarısı gösterilmiştir.

🔖

Cite This Article

TURHAN, C. G., BİLGE, H. Ş. (2019). Çekişmeli üretici ağ ile ölçeklenebilir görüntü oluşturma ve süper çözünürlük. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 35 - Sayı: 2, 953–966. https://ajindex.com/articles/13343

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S.,. & Bengio, Y., Generative adversarial nets, Advances in neural information processing systems, 2014.
  2. Goodfellow, I. J., Jonathon S., Christian S., Explaining and harnessing adversarial examples, arXiv preprint arXiv:1412.6572, 2014.
  3. Gauthier, J., Conditional generative adversarial nets for convolutional face generation, Class Project for Stanford CS231N: Convolutional Neural Networks for Visual Recognition, Winter semester, 2014:5, 2014.
  4. Radford, A., Metz, L., Chintala. S., Unsupervised representation learning with deep convolutional generative adversarial networks, arXiv preprint arXiv:1511.06434, 2015.
  5. Reed, S., Akata, Z., Yan, X., Logeswaran, L., Schiele, B., Lee, H., Generative adversarial text to image synthesis. In Proceedings of The 33rd International Conference on Machine Learning, 2016.
  6. Zhang, H., Xu, T., Li, H., Zhang, S., Wang, X., Huang, X. and Metaxas, D.N., Stackgan: Text to photo-realistic image synthesis with stacked generative adversarial networks, In Proceedings of the IEEE International Conference on Computer Vision, 5907-5915, 2017.
  7. Yeh, R.A., Chen, C., Yian Lim, T., Schwing, A.G., Hasegawa-Johnson, M. and Do, M.N., Semantic image inpainting with deep generative models, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 5485-5493, 2017.
  8. Iizuka, S., Simo-Serra, E. and Ishikawa, H., Globally and locally consistent image completion, ACM Transactions on Graphics (ToG), 36(4), 2017.
  9. Liu, M.Y., Breuel, T. and Kautz, J., Unsupervised image-to-image translation networks. In Advances in Neural Information Processing Systems, 700-708, 2017.
  10. Isola, P., Zhu, J.Y., Zhou, T. and Efros, A.A, Image-to-image translation with conditional adversarial networks, In Proceedings of the IEEE conference on computer vision and pattern recognition, 1125-1134, 2017.
  11. Kingma, D.P. and Welling, M., Auto-encoding variational bayes, arXiv preprint arXiv:1312.6114, 2013.
  12. Stanley, K.O., Compositional pattern producing networks: A novel abstraction of development. Genetic programming and evolvable machines, 8(2), pp.131-162, 2007.
  13. Mirza, M. and Osindero, S., Conditional generative adversarial nets, arXiv preprint arXiv:1411.1784, 2014.
  14. Denton, E.L., Chintala, S. and Fergus, R., Deep generative image models using a laplacian pyramid of adversarial networks, In Advances in neural information processing systems, 1486-1494, 2015.
  15. Radford, A., Metz, L. and Chint