Çekişmeli Üretici Sinir Ağları ile Bebek Yüz Üretimi: Bir Vaka Çalışması

Amaç & Hipotez:Çekişmeli Üretici Sinir Ağları (GAN) son zamanlarda özellikle bilgisayarlı görme çalışmalarında sinir ağlarına sahip üretken modelleri eğitmek için kullanılan popüler bir konudur.

📊

Temel Bulgular & Veri:GAN’lar 2014 yılında araştırmacılara tanıtıldığından beri, özellikle GAN’larla görüntü oluşturma çalışmaları gittikçe artmaktadır.

💡

Sonuç & Katkı:Önceki çalışmalar GAN’ların sınırlı sayıda eğitim örneği içeren veri kümeleri için görüntü oluşturmada kullanılabileceğini göstermektedir.

🔬Tür:Modelleme & Sayısal Simülasyon

📍Kapsam:2014 · 673 adet

⚙️Değişkenler:Alan Parametreleri

Özet

Çekişmeli Üretici Sinir Ağları (GAN) son zamanlarda özellikle bilgisayarlı görme çalışmalarında sinir ağlarına sahip üretken modelleri eğitmek için kullanılan popüler bir konudur. GAN’lar 2014 yılında araştırmacılara tanıtıldığından beri, özellikle GAN’larla görüntü oluşturma çalışmaları gittikçe artmaktadır. Bu çalışmalar, hayvanlar, manzaralar, insan yüzleri vb. gibi son derece ikna edici sahte görüntüler üretmek için umut verici sonuçlar elde etmiştir. Bu çalışmada gerçekçi yüz görüntüleri oluşturmak için bir GAN yapısı oluşturulması amaçlanmıştır. Daha az sayıda eğitim verisiyle gerçekçi resimler üretebilmek için veri seti içerisinde sadece bebek yüzleri kullanılmıştır. Çalışma kapsamında bir GAN yapısı inşa edilerek, Kaggle veri tabanından elde edilen 673 adet renkli 200x200 piksel boyutunda bebek yüz görüntüsü veri kümesinden yeni bebek yüzü görüntüleri oluşturulmaktadır. Önceki çalışmalar GAN’ların sınırlı sayıda eğitim örneği içeren veri kümeleri için görüntü oluşturmada kullanılabileceğini göstermektedir. Değerlendirme yöntemleri ile ilgili olarak, deneyler ve vaka çalışmaları en çok dikkate alınan tekniklerden biridir. Bu çalışmanın sonuçları, daha fazla araştırma yapılmasını gerektiren hususların belirlenmesine yardımcı olabilir.

Abstract

Generative Adversarial Networks (GANs) are increasingly applied to train generative models with neuralnetworks, especially in computer vision studies. Since being introduced in 2014, many image generationstudies incorporating GANs have demonstrated promising results for producing highly convincing fakeimages of animals, landscapes, and human faces. We build a GAN structure to generate realistic baby faceimages from a small data set of 673 color 200×200 pixel images obtained from a Kaggle data set by followingprevious studies that demonstrated how GANs could be used for image generation from a limited number oftraining samples. The reason we limit especially as baby faces is that we aim to achieve success with a limitednumber of training data. For evaluation, experiments and case studies are one of the most consideredtechniques. The results of this study help identify issues requiring further investigation in comment analysisresearch. In this context, we presented the loss values of the generator and discriminator during the trainingprocess. The discriminator losses are around of 0.7 and the generator is between 0.7 and 0.9. The high qualityimages are produced about 300th epochs.

🔖

Bu Makaleye Atıf Yap

DOĞAN, Z., ORTAÇ, G., ŞAMLI, R., ORMAN, Z. (2022). Çekişmeli Üretici Sinir Ağları ile Bebek Yüz Üretimi: Bir Vaka Çalışması. Acta Infologica, Cilt: 4 - Sayı: 1, 1–9. https://ajindex.com/articles/426000

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

Antipov, G., Baccouche, M., & Dugelay, J. L. (2017). Face aging with conditional generative adversarial networks. In Proceedings of the IEEE International Conference on Image Processing (pp. 2089-2093).
Bao, J., Chen, D., Wen, F., Li, H., & Hua, G. (2017). CVAE-GAN: fine-grained image generation through asymmetric training. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2745-2754).
Bazrafkan, S., & Corcoran, P. (2018). Versatile auxiliary regressor with generative adversarial network (VAR+ GAN). arXiv preprint arXiv:1805.10864. Chen, Z. L., He, Q. H., Pang, W. F., & Li, Y. X. (2018). Frontal face generation from multiple pose-variant faces with cgan in real-world surveillance scene. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 1308-1312).
Chen, H. Y., & Lu, C. J. (2019). Nested Variance Estimating VAE/GAN for Face Generation. In Proceedings of the International Joint Conference on Neural Networks (pp. 1-8).
Choe, J., Park, S., Kim, K., Hyun Park, J., Kim, D., & Shim, H. (2017). Face generation for low-shot learning using generative adversarial networks. In Proceedings of the IEEE International Conference on Computer Vision Workshops (pp. 1940-1948).
Duarte, A., Roldan, F., Tubau, M., Escur, J., Pascual, S., Salvador, A.,. & Giro-i-Nieto, X. (2019). Wav2Pix: Speech-conditioned Face Generation Using Generative Adversarial Networks. In Proceedings of the International Conference on Acoustics, Speech, and Signal Processing (pp. 8633-8637).
Frid-Adar, M., Diamant, I., Klang, E., Amitai, M., Goldberger, J., & Greenspan, H. (2018). GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing, 321, 321-331.
Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N. D., & Weinberger, K. Q. (2014). Advances in Neural Information Processing Systems 27: Annual Conference on Neural Information Processing Systems. Günel, M., & Erkut Erdem, A. E. Kisi Görüntülerinin Nitelik Esaslı Üretilmesi Generating Person Images Based on Attributes. Kdnuggets 2017, “Generative Adversarial Networks – Hot Topic in Machine Learning”. https://www.kdnuggets.com/2017/01/generative-adversarialnetworks- hot-topic-machine-learning.html (2017).
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Li, W., Ding, W., Sadasivam, R., Cui, X., & Chen, P. (2019). His-GAN: A histogram-based GAN model to i