prikaz prve stranice dokumenta Kontrastno učenje modela za prevođenje slika
Rad nije dostupan
završni rad
Kontrastno učenje modela za prevođenje slika
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. urn:nbn:hr:168:878648
Spiegl, Bernard
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Spiegl, B. (2021). Kontrastno učenje modela za prevođenje slika (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:878648

Spiegl, Bernard. "Kontrastno učenje modela za prevođenje slika." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:878648

Spiegl, Bernard. "Kontrastno učenje modela za prevođenje slika." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2021. https://urn.nsk.hr/urn:nbn:hr:168:878648

Spiegl, B. (2021). 'Kontrastno učenje modela za prevođenje slika', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 04.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:878648

Spiegl B. Kontrastno učenje modela za prevođenje slika [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2021 [pristupljeno 04.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:878648

B. Spiegl, "Kontrastno učenje modela za prevođenje slika", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:878648

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:878648
Podaci o radu
NaslovKontrastno učenje modela za prevođenje slika
Naslov (engleski)Contrastive learning for image-to-image translation
AutorBernard Spiegl
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaJosip Šarić (član povjerenstva)
Član povjerenstvaIvan Grubišić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2021-07-08, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Modeli za prevođenje slika pretvaraju sliku iz izvorne domene u odredišnu domenu i pri tome nastoje sačuvati sadržaj slike. Metoda s kontrastivnim učenjem jedan je od pristupa za rješavanje ovakvog tipa problema. Prednost ove metode je što omogućuje treniranje u slučaju kada je domena samo jedna slika. Ono što ju razlikuje od prethodnika je činjenica da koristi isječke slika prilikom treniranja umjesto cijelih slika. Također je pokazano da uzimanje negativa (isječci slike potrebni za izračunavanje gubitka) iz iste slike postiže bolje rezultate nego kad se negativi uzimaju iz drugih slika u datasetu. Ovakav pristup potiče mapiranje odgovarajućih isječaka na približno isto mjesto u odnosu na druge isječke (negative) dok istovremeno poboljšava kvalitetu rezultirajuće slike i smanjuje vrijeme potrebno za treniranje u odnosu na baseline metode: CycleGAN, MUNIT, DRIT, DistanceGAN, SelfDistance i GCGAN.
Sažetak (engleski)
Image-to-image translation models transfer images from input domain to output domain in an endeavour to retain the content of the image. Contrastive Unpaired Translation is one of the existing methods for solving such problems. Significant advantage of this method, compared to competitors, is the ability to train and perform well in cases where both input and output domains are only a single image. Another key thing that differentiates this method from its predecessors is the usage of image patches rather than whole images. It also turns out that sampling negatives (patches required to calculate loss) from the same image achieves better results than a scenario where the negatives are sampled from other images in the dataset. This type of approach encourages mapping of corresponding patches to the same location in relation to other patches (negatives) while at the same time both improves the output image quality and significantly decreases the time required to train the model compared to other baseline methods such as CycleGAN, MUNIT, DRIT, DistanceGAN, SelfDistance and GCGAN.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:878648
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-14 21:40:23