Geri Dön

Image generation by back-propagation on input using a discriminator network

Bir ayırıcı ağı kullanarak girdide geri yayılma ile görüntü üretimi

  1. Tez No: 694558
  2. Yazar: MERVE TAPLI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMRE AKBAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Bu tezde, üretici veya kod çözücü ağları gerekmeksizin, sadece bir ayırıcı ağı içeren bir görüntü üretme yöntemi önermekteyiz. Bir görüntü oluşturmak için, başlangıçta gürültü olan giriş görüntüsünü ayrımcının çıktı puanını yükseltmek için güncelleyerek, ayrımcıya yinelemeli bir şekilde çekişmeli bir saldırı uygulanmıştır. Oluşturulan görüntüler daha sonra, pozitif örnekler olarak kullanılan gerçek görüntülerle birlikte, ayrımcıya ince ayar yapmak için negatif örnekler olarak kullanılır. Birkaç tur üretim ve ince ayar uygulamasından sonra, oluşturulan görüntüler gerçek görünmeye başlar. Yöntemimizin etkinliğini göstermek için MNIST, Yale Face ve EMNIST veri kümeleri üzerinde umut verici sonuçlar sunuyoruz. MNIST'de elde ettiğimiz FID puanı (28.8), en güncel GAN'ların puanlarıyla karşılaştırılabilir.

Özet (Çeviri)

In this thesis, we propose an image generation method that only involves a discriminator network; no generator or decoder networks are required. To generate an image, we iteratively apply an adversarial attack on the discriminator by updating the input image, which is noise at the beginning, to maximize the discriminator's output score. Generated images are then used as negative examples, together with the real images as positive examples, to fine-tune the discriminator. After several rounds of generation and fine-tuning, the generated images start to look real. To show the effectiveness of our method, we present promising results on MNIST, Yale Face, and EMNIST datasets. On MNIST, our FID score (28.8) is comparable to those of the state-of-the-art GANs.

Benzer Tezler

  1. Satellite images super resolution using generative adversarial networks

    Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük

    MARYAM SERDAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. AHMET HAMDİ KAYRAN

  2. Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması

    Application of deep learning based super resolution in thermal images

    CANER CİVE

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  3. Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  4. FPGA üzerinde HYSA ve HYSA'ya özel öğrenme algoritmalarının birlikte gerçeklenmesi

    Implementation of CNN and CNN specific learning algorithms on FPGA

    ERDEM KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN