Redes generativas antagónicas y sus aplicaciones

Título:

Redes generativas antagónicas y sus aplicaciones

Autor:

Otros autores / Colaboradores:

 Ronchetti, Franco; [ Director/a] 

Temas:

REDES NEURONALES; ; 

URL:

http://sedici.unlp.edu.ar/handle/10915/101507,

Palabras clave:

redes generativas antagónicas (RGA), 

Nota de tesis:

Trabajo Final Integrador (Especialización en Inteligencia de Datos orientada a Big Data) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Extensión:

1 archivo (4,4, MB) : il. col.

Resumen:

En este trabajo se estudian las Redes Neuronales Generativas Antagónicas (GANs) y sus aplicaciones a través de una extensa revisión de bibliografía teórica y de los últimos artículos científicos publicados sobre el tema. Se describen los modelos estadísticos generativos en contraposición con los discriminativos y se estudian las partes que componen las GANs, su entrenamiento y dificultades. Este trabajo contempla, además, la implementación de una Red Generativa Antagónica de Super-Resolución (SRGAN), mediante las librerías Keras y Tensorflow. Se utiliza para su entrenamiento el entorno Google Colaboratory, que permite la utilización de una GPU NVIDIA Tesla K80. En esta implementación se obtienen imágenes cualitativamente de alta calidad, que se pueden apreciar tanto utilizando como entrada imágenes del conjunto de prueba, como imágenes sin relación al conjunto de datos utilizado para entrenar la red.

Puede solicitar más fácilmente el ejemplar con: TES 20/59

1. Modelos Generativos 
  1.1 Conceptos preliminares  
  1.2 Modelos discriminativos y generativos
  1.3 Algunos modelos generativos

2 Redes Generativas Antagónicas 
  2.1 Conceptos preliminares
  2.2 GANs
    2.2.1 Componentes
    2.2.2 Entrenamiento
    2.2.3 Dificultades

3. GANs y aplicaciones 
  3.1 Distintas arquitecturas de GANs
  3.2 Aplicaciones de GANs

4. GANs de super-resolución 
  4.1 Introducción  
  4.2 SRGANs
    4.2.1 Arquitectura
    4.2.2 Función de pérdida perceptual
    4.2.3 Métodos y Resultados

5. Conclusiones 

Bibliografía 

A. Apéndice 
  A.1 Generador   
  A.2 Discriminador 
  A.3 Entrenamiento en Google Colaboratory