Image generation by back-propagation on input using a discriminator network
Bir ayırıcı ağı kullanarak girdide geri yayılma ile görüntü üretimi
- Tez No: 694558
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE AKBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Satellite images super resolution using generative adversarial networks
Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük
MARYAM SERDAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- İstanbul Çatalca bölgesinde uzaktan algılama yöntemleri ile metropoliten analizi
Başlık çevirisi yok
F.ZEHRA ALKAN
- 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
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN