Generiranje slika generativnim suparničkim mrežama

završni rad

• Naslov (engleski): Image generation by generative adversarial networks
• Autor: Lara Kokeza
• Mentor: Stjepan Bogdan (mentor)
• Član povjerenstva: Stjepan Bogdan (član povjerenstva)
• Član povjerenstva: Tamara Petrović (član povjerenstva)
• Član povjerenstva: Antonella Barišić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-06, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu proučava se primjena generativnih suparničkih mreža (GAN) za generiranje novih slika bespilotnih letjelica. U uvodnom dijelu rada daje se pregled osnovnih koncepata GAN-a, teorije igara i procesa treniranja te opisi različitih arhitektura i varijanti GAN-a. Metodologija rada uključuje odabir odgovarajućeg algoritma za generiranje slika baziranog na GAN-ovima, s posebnim naglaskom na DCGAN i WGAN te njihove prednosti za generiranje slika bespilotnih letjelica. Također se opisuju skup podataka, eksperimentalno okruženje i implementacija. Rezultati dobiveni kroz implementaciju i treniranje GAN-a su prikazani i analizirani. Kroz zaključak se sumiraju rezultati i daje se pregled ostvarenih ciljeva u radu.

Sažetak (engleski)

In this paper, we research the application of generative adversarial networks (GANs) for generating new images of unmanned aerial vehicles (UAVs). The introductory section provides an overview of the basic concepts of GANs, game theory, and the training process, along with descriptions of different architectures and variants of GANs. The methodology of the paper includes selecting an appropriate GAN-based algorithm for image generation, with a specific focus on DCGAN and WGAN, highlighting their advantages for generating UAV images. Additionally, the dataset, experimental environment, and implementation are described. The results obtained through the implementation and training of the GAN are presented and analyzed. The conclusion summarizes the findings and provides an overview of the achieved objectives in the paper.

• Ključne riječi: Generativne suparničke mreže; GAN; generiranje slika; sinteza slika; duboko učenje; umjetna inteligencija; konvolucijske neuronske mreže; CNN; duboke konvolucijske generativne suparničke mreže; DCGAN; Wasserstein GAN; WGAN; računalni vid; suparničko učenje; strojno učenje; teorija igara; diskriminator; generator; funkcije gubitka
• Ključne riječi (engleski): Generative Adversarial Networks; GAN; image generation; image synthesis; deep learning; artificial intelligence; Convolutional Neural Networks; CNN; Deep Convolutional Generative Adversarial Networks; DCGAN; Wasserstein GAN; WGAN; computer vision; adversarial learning; machine learning; game theory; discriminator; generator; loss functions
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:320284
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 09:19:32