AI Summary & Key Takeaways
AI InsightAs a result of the studies, it is seen that the production speed of the mustache pattern image drops below one second, while the production accuracy reaches 86%.
📌 3 Key Takeaways
Abstract
In this study, performance analysis of generative adversarial network architectures that transform from image to image is made and its performance in synthetic image generation is evaluated. For a quality performance evaluation of these models, the denim2bıyık dataset collected from the real-world area was used instead of standardized datasets. Mustache patterns drawn on denim fabrics are created with a laser device. For this device to create the desired mustache pattern, it is necessary to work with visual editing programs for approximately 2-3 hours by specialized personnel. With the proposed approach, an automatic mustache production process will be realized, errors and time losses in manual production will be eliminated. As a result of our literature research, there is a no different study on the production of denim product images with productive networks. This situation increases the academic original value of the study. GAN architectures used in the study are Pix2Pix, CycleGAN, DiscoGAN, and AttentionGAN. Mustache pattern production performance evaluation and cost analysis were performed on the training and test data in the denim2bıyık dataset of each architecture. As a result of the studies, it is seen that the production speed of the mustache pattern image drops below one second, while the production accuracy reaches 86%.
Özet
Bu çalışmada görüntüden görüntüye dönüşüm yapan çekişmeli üretici ağ mimarilerinin performans incelemesi yapılıp, sentetik görüntü üretimindeki başarımı değerlendirilmiştir. Bu modellerin kaliteli bir başarım değerlendirmesi için standartlaştırılmış veri kümeleri yerine gerçek iş alanından toplanılan denim2bıyık veri kümesi kullanılmıştır. Denim kumaşları üzerine çizilen bıyık desenleri lazer cihazıyla oluşturulmaktadır. Bu cihazın istenilen bıyık desenini oluşturabilmesi için uzmanlaşmış bir personel tarafından görsel düzenleme programları ile yaklaşık 2-3 saat süren bir çalışma yapması gerekir. Önerilen yaklaşımla otomatik bir bıyık üretim işlemi gerçekleşecek, manuel üretimdeki hatalar ve zamansal kayıplar elimine edilecektir. Yaptığımız literatür araştırması neticesinde denim ürün görsellerinin üretken ağlar ile üretilmesi ile ilgili farklı bir çalışma bulunmamaktadır. Bu durum yapılan çalışmanın akademik özgün değerini yükseltmektedir. Çalışmada kullanılan ÇÜA mimarileri Pix2Pix, CycleGAN, DiscoGAN ve AttentionGAN’dır. Her bir mimarinin denim2bıyık veri kümesindeki eğitim ve test verileri üzerinde bıyık deseni üretim başarım değerlendirmesi ve maliyet analizi yapılmıştır. Yapılan çalışmalar sonucunda, bıyık desen görseli üretim hızı bir saniyenin altına düşerken, üretim doğruluğu %86 seviyelerine çıktığı görülmektedir.