Geri Dön

Üretken ağlar ve uygulamaları

Generative networks and their applications

  1. Tez No: 676777
  2. Yazar: GAFFARİ ÇELİK
  3. Danışmanlar: DOÇ. DR. MUHAMMED FATİH TALU
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin Öğrenme, Çekişmeli Üretken Ağlar, Sentetik Görüntü Üretimi, GAN Uygulamaları, Görüntü Boyutlandırma, SRGAN, Gürültü Temizleme, EEG-GAN, EEG Sinyalleri, 3D MRI Tramaları, Bölütleme, Örtüştürme, Vol2SegGAN, PAM, ACFP, Deep Learning, Generative Adversarial Networks, Synthetic Image Generation, GAN Applications, Image Resizing, SRGAN, Noise Removal, EEG-GAN, EEG Signals, 3D MRI Scans, Segmentation, Registration, Vol2SegGAN, PAM, ACFP
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Bu tez çalışmasında gürültüden görsel üretme, çözünürlük arttırma, sinyalden görüntü üretme ve bölütleme gibi alanlardaki en güncel yaklaşımlar incelenmiş ve Çekişmeli Üretken Ağlar (GAN) temelli yeni mimariler geliştirilerek literatüre katkılar sunulmuştur. Tez kapsamında yapılan ilk deneysel çalışmada, klasik GAN mimarileri (cGAN, DCGAN, InfoGAN, SGAN, ACGAN, WGAN-GP ve LSGAN) kullanılarak MNIST ve Fashion-MNIST veri kümelerindeki görseller üretilmektedir. Ayrıca bu yaklaşımlara alternatif olacak yeni bir hibrit GAN mimarisi (cDCGAN) önerilmektedir. Yapılan ikinci deneysel çalışma, SRGAN mimarisinin Camelyon17 veri kümesine uygulanmasını içermektedir. Buna göre SRGAN mimarisinin görsel çözünürlüğünü iyileştirilme ve gürültüyü giderilme performansı klasik yaklaşımlarla kıyaslanmaktadır. Tez kapsamında yapılan üçüncü deneysel çalışmada, GAN mimarilerinin sinyalden görsel üretme performansı araştırılmıştır. Bunun nedeni EEG sinyal verilerinden planlanan aktivitenin tahmin edilmesi veya engelliler için tekerlekli sandalyenin hareketlendirilmesi gibi ihtiyaçların varlığıdır. Ancak mevcut çalışmalar incelendiğinde EEG sinyalinin sadece sınıflandırılma ile sınırlı kaldığı görülmektedir. GAN ve Otomatik Kodlayıcı (Auto encoder-AE) tekniklerinin kullanıldığı az sayıda çalışma incelenmiş ve yeni mimarilerle sinyal-görsel üretim performansı iyileştirilmiştir. Tez kapsamındaki yapılan son deneysel çalışma, 3D MRI verilerinin bölütlenmesi hakkındadır. Yapılan araştırma sonucunda güncel bölütleme mimarileri belirlenmiş ve üç farklı veri kümesi (IBSR18, MRBRAINS13 ve MRBRAINS18) kullanılarak bölütleme sonuçları elde edilmiştir. Mevcut yaklaşımlara alternatif olacak Vol2SegGAN adlı yeni bir bölütleme yaklaşımı önerilmiştir. Bu mimarinin üretici ağında ACFP ve PAM modülleri yer alırken, ayırıcı ağı gerçek/sahte ayrımını gerçekleştirmektedir. T1 modaliteye sahip 3D-MRI taramalarının kullanıldığı verilerde üç farklı bölge (GM, WM, CSF) ve sekiz farklı bölge (CGM, BG, WM, WMH, CF, VE, CE ve BS)'nin bölütlenme çalışmaları yapılmıştır. Yapılan deneysel faaliyetler sonucunda, GAN temelli yaklaşımların birçok problem çözümüne olumlu katkılar sağladığı görülmüştür.

Özet (Çeviri)

In this thesis, the most up to date approaches in areas such as image generation from noise, resolution enhancement, image generation from signal and segmentation have been examined, and new architectures based on Generative Adversarial Networks (GAN) have been developed and contributed to the literature. In the first experimental study conducted within the scope of the thesis, images in MNIST and Fashion-MNIST datasets are produced using classical GAN architectures (cGAN, DCGAN, InfoGAN, SGAN, ACGAN, WGAN-GP and LSGAN). In addition, a new hybrid GAN architecture (cDCGAN) is proposed as an alternative to these approaches. The second experimental study includes the application of the SRGAN architecture to the Camelyon17 dataset. Accordingly, the visual resolution improvement and noise removal performance of the SRGAN architecture is compared with classical approaches. In the third experimental study conducted within the scope of the thesis, the visual generation performance of the GAN architectures from the signal was investigated. The reason for this is the existence of needs such as estimating the planned activity from the EEG signal data or mobilizing the wheelchair for the disabled. However, when the existing studies are examined, it is seen that the EEG signal is limited to classification only. Few studies using GAN and Auto encoder (AE) techniques have been examined and signal-visual production performance has been improved with new architectures. The last experimental work within the scope of the thesis is about segmentation of 3D MRI data. As a result of the research, current segmentation architectures were determined and segmentation results were obtained using three different datasets (IBSR18, MRBRAINS13 and MRBRAINS18). A new segmentation approach called Vol2SegGAN has been proposed as an alternative to existing approaches. While ACFP and PAM modules are included in the generative network of this architecture, the discriminator network realizes the real/fake distinction. In the data using 3D-MRI scans with T1 modality, segmentation studies of three different regions (GM, WM, CSF) and eight different regions (CGM, BG, WM, WMH, CF, VE, CE and BS) were performed. As a result of the experimental activities, it has been seen that GAN-based approaches make positive contributions to many problem solutions.

Benzer Tezler

  1. Novel centrality, topology and hierarchical-aware link prediction in dynamic networks

    Dinamik ağlarda merkezilik, topoloji ve hiyerarşik tabanlı bağlanti tahmini

    ABUBAKHARI SSERWADDA

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    YRD. DOÇ. ALPER ÖZCAN

  2. A morphological neural network approach to generative adversarial networks for superior image generation.

    Üstün görüntü üretimi için üretken düşman ağlara morfolojik sinir ağı yaklaşımı.

    ISLAM MAHMOUD MOMTAZ MOHAMMED NAGEIB AHMED SADEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM

  3. Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks

    Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi

    FURKAN ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  4. Üretken çekişmeli ağların (Gan) tıp alanındaki uygulamaları: Görüntü işleme ve tanı süreçlerinde Gan'ların rolü

    Applications of generative adversarial networks (Gan) in medicine: The role of Gans in image processing and diagnostic processes

    HAMİT OLĞAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiDicle Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSA ATAŞ

  5. Üretken çekişmeli ağlar ile fonksiyonel 3B tasarım varyantları üretilmesi

    Generating functional 3D design variants with generative adversarial networks

    NURULLAH YÜKSEL

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Endüstriyel Tasarım Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN RIZA BÖRKLÜ