| Título: | Redes geradoras adversárias em geração de imagens |
| Autor(es): | Mariz, Lucas de Freitas |
| Orientador(es): | Romariz, Alexandre Ricardo Soares |
| Assunto: | Aprendizado de máquina
Redes neurais (Computação)
Redes geradoras adversárias
Imagens - tratamento digital |
| Data de apresentação: | 10-Dez-2018 |
| Data de publicação: | 3-Set-2021 |
| Referência: | MARIZ, Lucas de Freitas. Redes geradoras adversárias em geração de imagens. 2018. vii, 38 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018. |
| Resumo: | Conhecer bem o universo e seus fenômenos físicos é motivação fundamental para a criação de novas tecnologias. Modelos geradores permitem dotar máquinas desta compreensão, por meio de algoritmos que analisem e padronizem parte da imensa quantidade de dados presentes no mundo. Este trabalho busca a concepção de uma rede adversária geradora (GAN) capaz de estudar uma distribuição de probabilidade complexa, por meio da produção de amostras que imitem exemplos da distribuição original. São introduzidos os conceitos necessários para entender o funcionamento
destas redes, iniciando com os fundamentos de aprendizado de máquina e conseguinte apresentação da arquitetura de redes adversárias. Aplicando o modelo ao conjunto de imagens CIFAR10, o qual contém 60 mil imagens de 10 diferentes classes, foi possível gerar imagens que se assemelhem às originais, evidenciando o poder representacional do modelo gerador estudado. |
| Abstract: | Understand the universe and its physical phenomena is a fundamental motivation for the creation of new technologies. Generative models endow machines with this ability, through algorithms that analyze and standardize part of the immense amount of data present in the world. This project aims at designing a generative adversarial network (GAN) capable of studying a complex probability distribution by producing samples that mimic examples of the original distribution. The necessary concepts to understand the operation of these networks are first introduced, starting with the fundamentals of machine learning and consequently presentation of the architecture of adversarial
networks. By applying the model to the dataset CIFAR10, which contains 60 thousand images of 10 different classes, it was possible to generate images that strongly resemble the originals, evidencing the representational power of the generator model studied. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
| Aparece na Coleção: | Engenharia Elétrica
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
