A morphological neural network approach to generative adversarial networks for superior image generation.
Üstün görüntü üretimi için üretken düşman ağlara morfolojik sinir ağı yaklaşımı.
- Tez No: 813460
- Danışmanlar: Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Yaratıcı Karşıt Ağlar (GAN'lar) Yapay Zeka (YZ) Alanında Devrim Yaratmıştır, Eğitim Veri Kümesine Yakın Yeni Verilerin Oluşturulmasını Sağlayarak. GAN'lar, Metin, Fotoğraf ve Video gibi Çeşitli Medya Biçimlerini Üretebilme Esnekliğini Göstermişler ve Bu, Farklı Uygulama Alanlarında Kullanılabilme Potansiyeline Sahiptir. Etkileyici Yeteneklerine Rağmen, GAN'lar Performanslarını Etkileyen Limitasyonlarla Karşılaşmaktadır. Araştırmacılar, Potansiyellerini Artırmak için Yeni Teknikler Araştırmaktadır. Bu Yaklaşımlardan Biri, Morfolojik Sinir Ağları (MNN'ler)'ni Entegre Etmeyi İçermektedir ki Bu da Diğer Sinir Ağı Türlerinin Performansını Artırmada Etkili Olmuştur. Bu Tez, MNN'lerin GAN'larla Entegrasyonunu İncelemeyi, Hem Teorik Bir Çerçeve Hem de Bu Füzyonun Potansiyelini Gösteren Pratik Örnekler Sunmayı Amaçlamaktadır. Böylece, MNN'ler ve GAN'lar'ı Birleştirmenin Avantajlarını da Tartışacak ve Bu Faydaları, GAN Performansını İyileştirmek için Alternatif Tekniklerle Karşılaştıracağız. Bu Çalışmada Dört Farklı Model İncelenmiştir: (1) DCGAN, (2) Jeneratörde Genişleme ve Ayırıcıda Erozyon Özellikli MNN'ler ile DCGAN, (3) Ek CNN Katmanları ile IM-GAN ve (4) Hem Jeneratörde Hem de Ayırıcıda Açık ve Kapalı MNN Operasyonlarını İçeren IM-GAN ile MNN'ler. MNN'lerin GAN'larla Birlikte Kullanımını Keşfetmek ve Sonuçları Değerlendirmekle, Bu Araştırma, GAN Performansını Artırmak için Gelişmiş Yöntemlerin Geliştirilmesine Katkıda Bulunmaktadır. Bu Çalışmanın Buluntuları, Makine Öğrenimi, Yapay Zeka ve Bilgisayar Görüşü Alanları için Önemli Sonuçlar Taşımakta, GAN Temelli Yaratıcı Modeller ve Uygulamaları için Daha Fazla İlerleme Sağlamaktadır.
Özet (Çeviri)
The Emergence of Generative Adversarial Networks (GANs) Has Revolutionized the Field of Artificial Intelligence (AI) By Enabling the Generation of Novel Data That Closely Resembles the Training Dataset. GANs Have Demonstrated Their Versatility in Generating Various Forms of Media, Comprising Text, Photos, and Videos, Which Have the Potential to Be Used in A Diverse Range of Different Applications. Despite Their Impressive Capabilities, GANs Still Face Limitations That Impact Their Performance, Leading Researchers to Explore Novel Techniques to Enhance Their Potential. One Such Approach Involves Incorporating Morphological Neural Networks (MNNs), Which Have Proven Effective in Enhancing the Performance of Other Neural Network Types. This Thesis Aims to Investigate the Integration of MNNS into GANs, Providing Both a Theoretical Framework and Practical Examples to Demonstrate the Potential of This Fusion. In Doing So, We Will Also Discuss the Advantages of Combining MNNs and GANs and Compare These Benefits with Alternative Techniques for GAN Performance Improvement. Four Different Models Are Examined in This Study: (1) DCGAN, (2) DCGAN With MNNs, Featuring Dilation in the Generator and Erosion in the Discriminator, (3) IM-GAN With Additional CNN Layers, and (4) IM-GAN With MNNs, Incorporating Open and Close MNN Operations in Both the Generator and Discriminator. By Exploring the Use of MNNs in Conjunction with GANs and Evaluating the Outcomes, This Research Contributes to the Development of Advanced Methods for GAN Performance Enhancement. The Findings of This Study Hold Significant Implications for the Fields of Machine Learning, Artificial Intelligence, and Computer Vision, Paving the Way for Further Advancements in Gan-based generative Models and Their Applications
Benzer Tezler
- Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri
New learning-based clutter removal methods in ground penetrating radar
EYYUP TEMLİOĞLU
Doktora
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- A novel hybrid language model for finite state-based morphology
Sonlu durum tabanlı morfoloji için yeni bir hibrit dil modeli
AYLA KAYABAŞ
Doktora
İngilizce
2020
Bilim ve TeknolojiAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ERCAN TOPCU
- Evaluation of local explainability methods in Turkish text classification tasks
Türkçe metin sınıflandırma görevlerinde yerel açıklanabilirliğin değerlendirimi
ONUR PORSUK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE UĞUR
PROF. DR. AYŞE BAŞAR
- Named entity recognition for turkish microblog texts using semi-supervised learning with word embeddings
Türkçe mı̇kroblog metı̇nlerı̇nde yarı güdümlü öğrenme teknı̇ğı̇yle kelı̇me temsı̇llerı̇ kullanarak varlık ı̇smı̇ tanıma
EDA OKUR
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. ARZUCAN ÖZGÜR TÜRKMEN
- A novel approach for hair removal in skin cancer images to enhance segmentation and classification performance.
Deri kanseri görüntülerinin sınıflandırma ve bölütleme performansını artırmak için kıl gidermede yeni bir yaklaşım
AYYAD ERRAJI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ZAFER İŞCAN