Convolutional Generative Adversarial Networks
Sánchez Hernández, Sergi
Casas Roma, Jordi, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Xarxes Convolucionals Generatives Antagòniques
Títol variant:	Redes Convolucionales Generativas Antagónicas
Data:	2023
Resum:	The aim of this project is to implement three different GAN network models, such as the DCGAN, WGAN and WGAN-GP in order to generate images similar to those that make up the MNIST and CelebA datasets. For each of the three models, four training sessions are carried out, using different numbers of images from the two datasets with the intention of obtaining a series of quantitative metrics such as the FID, IS and Precision/Recall in order to analyze the quality of the images generated and compare the models with each other. The experiments carried out have shown us that the DCGAN model is the one that obtains better results, despite the improvements included in the other two models.
Resum:	L'objectiu d'aquest treball és implementar tres models de xarxes GAN diferents, com són la DCGAN, WGAN i WGAN-GP, per tal de generar imatges similars a les que conformen els datasets de MNIST i de CelebA. Per a cadascun dels tres models es realitzen quatre entrenaments, utilitzant diferents nombres d'imatges dels dos datasets per tal d'obtenir una sèrie de mètriques quantitatives com són la FID, IS i Precision/Recall per tal d'analitzar la qualitat de les imatges generades i comparar els models entre si. Els entrenaments duts a terme ens han indicat que el model DCGAN es el que assoleix millors resultats, a pesar de les millores que inclouen els altres dos models.
Resum:	El objetivo de este trabajo es implementar tres modelos de redes GAN diferentes, como son la DCGAN, WGAN y WGAN-GP, para generar imágenes similares a las que conforman los datasets de MNIST y de CelebA. Para cada uno de los tres modelos se realizan cuatro entrenamientos, utilizando diferentes números de imágenes de los dos datasets para obtener una serie de métricas cuantitativas como son la FID, IS y Precision/Recall para analizar la calidad de las imágenes generadas y comparar los modelos entre sí. Los entrenamientos realizados nos han indicado que el modelo DCGAN es el que logra los mejores resultados, a pesar de las mejoras que incluyen los otros dos modelos.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Llengua:	Anglès
Titulació:	Grau en Enginyeria Informàtica [2502441]
Pla d'estudis:	Enginyeria Informàtica [958]
Document:	Treball final de grau ; Text
Àrea temàtica:	Menció Computació
Matèria:	Intel·ligència Artificial ; CelebA ; Xarxes Generatives Adversàries ; Distribució d'Imatges ; Generació d'Imatges ; InceptionV3 ; MNIST ; Distància de Wasserstein ; Joc de Suma Zero ; Inteligencia Artificial ; Redes Adversarias Generativas ; Distribución de Imágenes ; Generación de Imágenes ; Distancia de Wasserstein ; Juego de Suma Cero ; Artificial Intelligence ; Generative Adversarial Networks ; Image Distribution ; Image Generation ; Wasserstein Distance ; Zero-Sum Game

13 p, 1.4 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG