prikaz prve stranice dokumenta Stvaranje slika pomoću dubokog učenja
Rad nije dostupan
diplomski rad
Stvaranje slika pomoću dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2018. urn:nbn:hr:168:470958
Šušnjara, Juraj
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Šušnjara, J. (2018). Stvaranje slika pomoću dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:470958

Šušnjara, Juraj. "Stvaranje slika pomoću dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2018. https://urn.nsk.hr/urn:nbn:hr:168:470958

Šušnjara, Juraj. "Stvaranje slika pomoću dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2018. https://urn.nsk.hr/urn:nbn:hr:168:470958

Šušnjara, J. (2018). 'Stvaranje slika pomoću dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 18.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:470958

Šušnjara J. Stvaranje slika pomoću dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2018 [pristupljeno 18.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:470958

J. Šušnjara, "Stvaranje slika pomoću dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2018. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:470958

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:470958
Podaci o radu
NaslovStvaranje slika pomoću dubokog učenja
Naslov (engleski)Generating Images Using Deep Learning
AutorJuraj Šušnjara
MentorMarin Šilić (mentor)
Član povjerenstvaMarin Šilić (predsjednik povjerenstva)
Član povjerenstvaSiniša Srbljić (član povjerenstva)
Član povjerenstvaGoran Delač (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2018-07-05, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Generativni modeli su modeli umjetnih neuronskih mreža koji su namijenjeni za stvaranje podataka iz naučene razdiobe. Pomoću takvih modela moguće je stvarati slike. Neuronske mreže za obradu slikovnih podataka koriste konvolucijske slojeve pa su i generativni modeli za stvaranje slika sastavljeni od njih. Obrađene su dvije vrste takvih modela: varijacijski autoenkoder (VAE) i generativne suparničke mreže (GAN). VAE je jednostavnija arhitektura koja je autoenkoder, prilagođen za stvaranje novih podataka. GAN je složena arhitektura od dvije mreže: generator i diskriminator. Mreže su vrednovane nad MNIST, LFW i CIFAR-10 skupovima podataka. VAE i GAN su uspješno istrenirane za stvaranje slika iz svih skupova. VAE je uspješniji nad jednostavnim MNIST skupom dok je GAN bolji nad složenijim LFW i CIFAR-10 skupovima. Nadalje, ostvareni su uvjetni VAE i GAN. Takvi modeli stvaraju slike sa zadanim uvjetom. Ostvareni su nad MNIST skupom podataka tako da je moguće zadati znamenku čiju sliku treba stvoriti. Uvjetni generativni modeli otvaraju mogućnosti za stvaranje složenijih slika s uvjetom, kao što su slike lica sa željenim svojstvima.
Sažetak (engleski)
Generative models are neural network model made for generating data from learned distribution. It is possible to generate images with that kind of models. Neural networks that process images use convolutional networks so generative models for images contain them as well. Variational autoencoder (VAE) and generative adversarial networks (GAN) are two types of generative models explained in this paper. VAE has simpler architecture that is autoencoder adjusted for generating new data. GAN has complex architecture that consists of two networks: generator and discriminator. Networks are evaluated on MNIST, LFW and CIFAR-10 datasets. VAE and GAN are successfully trained for generating images on all of mentioned datasets. VAE was better on simple MNIST dataset while GAN performed better on LFW and CIFAR-10 datasets. Furthermore, conditional VAE and GAN are implemented as well. Those models generate data with given condition. They are trained on MNIST dataset so it is possible to set digit which image will be generated. Conditional generative models create opportunities for generating complex images with condition, such as face images with desired attributes.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:470958
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 pohrane2019-03-14 01:29:47