prikaz prve stranice dokumenta Generativne suparničke mreže i primjene
  Preuzmi
PDF 8.35 MB
diplomski rad
Generativne suparničke mreže i primjene
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2022. urn:nbn:hr:217:156267
Peroš, Mate
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Peroš, M. (2022). Generativne suparničke mreže i primjene (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:156267

Peroš, Mate. "Generativne suparničke mreže i primjene." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:217:156267

Peroš, Mate. "Generativne suparničke mreže i primjene." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:217:156267

Peroš, M. (2022). 'Generativne suparničke mreže i primjene', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 11.01.2025., https://urn.nsk.hr/urn:nbn:hr:217:156267

Peroš M. Generativne suparničke mreže i primjene [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2022 [pristupljeno 11.01.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:156267

M. Peroš, "Generativne suparničke mreže i primjene", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:156267

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:156267
Podaci o radu
NaslovGenerativne suparničke mreže i primjene
Naslov (engleski)Generative rival networks and applications
AutorMate Peroš
MentorZvonimir Bujanović (mentor)
Član povjerenstvaZvonimir Bujanović (predsjednik povjerenstva)
Član povjerenstvaGoran Muić (član povjerenstva)
Član povjerenstvaVedran Čačić (član povjerenstva)
Član povjerenstvaJosip Tambača (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2022-03-03, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
Povećanje razlučivosti česta je tema istraživanja u području računalnog vida. Problem povećanja razlučivosti je proces dobivanja slike visoke razlučivosti iz odgovarajuće slike niske razlučivosti i pronalazi veliku primjenu u satelitskom snimanju, obradi medicinskih prikaza, analizi fotografija teksta te biometrijskom prepoznavanju. U ovom radu dali smo pregled teorije generativnih suparničkih mreža, modela koji se sastoje od dvije suprotstavljene mreže, generatorske i diskriminatorske, gdje generatorska ima zadatak naučiti distribuciju ulaznih podataka s ciljem generiranja novih, uvjerljivih podataka, a diskriminatorska nastoji postići što veći uspjeh u raspoznavanju stvarnih podataka od generiranih. Također, promotrili smo dvije funkcije pogreške, prvu temeljenu na binarnoj unakrsnoj entropiji, a drugu na Wasserstein udaljenosti i kažnjavanju odstupanja gradijenta. Konačno, predložili smo dva modela za rješavanje problema povećanja razlučivosti temeljena na generativnih suparničkim mrežama, prvog s funkcijom pogreške temeljenom na binarnoj unakrsnoj entropiji, a drugog s funkcijom pogreške temeljenoj na Wasserstein udaljenosti i kažnjavanju odstupanja gradijenta. Takvi modeli pokazali su se kao kvalitetna zamjena za duboke konvolucijske modele i postigli su fine detalje na slikama povećane razlučivosti bez potrebe za velikim brojem konvolucijskih slojeva.
Sažetak (engleski)
Single image super-resolution is a common research topic in the field of computer vision. The problem of single image super-resolution is the process of obtaining a high-resolution image from a corresponding low-resolution image and finds great application in satellite imaging, medical imaging, text-to-photo analysis and biometric recognition. In this thesis, we provide an overview of the theory of generative adversarial networks which are models of two adversarial networks, generator and discriminator, where the generator has the task of learning the distribution of input data to generate new, compelling data, and the discriminator seeks to achieve success in recognizing real data from generated. We also considered two error functions, the first based on binary cross entropy and the second on Wasserstein distance and gradient penalty. Finally, we proposed two models to solve the problem of single image super-resolution based on generative adversarial networks, the first with a loss function based on binary cross entropy, and the second with a loss function based on Wasserstein distance and gradient penalty. Such models have proven to be a quality replacement for deep convolutional models and have achieved fine detail in high-resolution images without the need for a large number of convolutional layers.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:156267
Studijski programNaziv: Računarstvo i matematika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2022-03-30 10:09:29