prikaz prve stranice dokumenta Generativno modeliranje uvjetnim normalizirajućim tokovima
Rad nije dostupan
diplomski rad
Generativno modeliranje uvjetnim normalizirajućim tokovima
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:164072
Ćosić, Tomislav
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Ćosić, T. (2024). Generativno modeliranje uvjetnim normalizirajućim tokovima (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:164072

Ćosić, Tomislav. "Generativno modeliranje uvjetnim normalizirajućim tokovima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:164072

Ćosić, Tomislav. "Generativno modeliranje uvjetnim normalizirajućim tokovima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:164072

Ćosić, T. (2024). 'Generativno modeliranje uvjetnim normalizirajućim tokovima', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:164072

Ćosić T. Generativno modeliranje uvjetnim normalizirajućim tokovima [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:164072

T. Ćosić, "Generativno modeliranje uvjetnim normalizirajućim tokovima", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:164072

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:164072
Podaci o radu
NaslovGenerativno modeliranje uvjetnim normalizirajućim tokovima
Naslov (engleski)Generative modelling with conditional normalizing flows
AutorTomislav Ćosić
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaJan Šnajder (član povjerenstva)
Član povjerenstvaAdrian Satja Kurdija (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-10, Hrvatska
Sažetak
Procjena gustoće i generiranje slika važni su zadatci računalnog vida s mnogim zanimljivim primjenama. Poznato je da generativni modeli slika ne uspijevaju naučiti semantičke koncepte. Ovaj problem možemo ublažiti uvjetovanjem generativnog modela semantičkim informacijama. U okviru rada, potrebno je odabrati okvir za automatsku diferencijaciju te upoznati biblioteke za rukovanje tenzorima i slikama. Proučiti i ukratko opisati postojeće generativne arhitekture. Odabrati slobodno dostupne skupove slika te oblikovati podskupove za učenje, validaciju i testiranje. Oblikovati uvjetni generativni tok te uhodati postupke učenja i validiranja hiperparametara. Primijeniti naučene modele, prikazati eksperimente na javno dostupnim podatcima te usporediti generalizacijsku izvedbu sa stanjem tehnike. Komentirati učinkovitost učenja i zaključivanja. Predložiti pravce za budući rad. Radu priložiti izvorni i izvršni kod razvijenih postupaka, ispitne slijedove i rezultate, uz potrebna objašnjenja i dokumentaciju. Citirati korištenu literaturu i navesti dobivenu pomoć.
Sažetak (engleski)
Density estimation and image generation are important tasks in computer vision with many interesting applications. It is known that image generative models fail to learn semantic concepts. This problem can be mitigated by conditioning the generative model using semantic information. In the scope of the paper, it is required to choose an automatic differentiation framework and become familiar with libraries used to handle tensors and images. Research and briefly describe existing generative architectures. Choose freely available image dataset and construct subsets for training, validation and testing. Model a conditional generative flow and implement training and hyperparameter validation. Apply trained models, perform experiments on publicly available datasets and compare generative performance with state-of-the-art. Comment on training and inference efficiency. Suggest direction for future work. Attach source code and executable code of developed processes to the paper, experiments and results, along with necessary explanations and documentation. Cite used literature and state received help.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:164072
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 20:22:30