Academic literature on the topic 'Генеративні змагальні мережі'

Статтю присвячено застосуванню генеративних змагальних нейронних мереж на прикладі розв’язку задачі інтелектуальної колоризації зображень. В основі розробленої програмної системи для інтелектуальної колоризації лежить робота двох конкуруючих згорткових нейронних мереж: мережі-генератора та мережі-дискримінатора. На етапі підготовки даних пропонується виконувати перетворення зображень з колірної моделі RGB у модель YUV або LAB, що дозволяє отримати кращий результат колоризації. Також у статті розглянуто можливість переходу від оброблення зображень до оброблення мультимодальних даних та запропоновано подавати вхідні мультимодальні дані про об’єкти на зображені у вигляді мультимодальної багаторівневої онтологічної моделі.

Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи. Бібл. 5, іл. 1.

Mo­dern da­ta­ba­ses of bi­ome­di­cal ima­ges ha­ve be­en in­ves­ti­ga­ted. Bi­ome­di­cal ima­ging has be­en shown to be ex­pen­si­ve and ti­me con­su­ming. A da­ta­ba­se of ima­ges of pre­can­ce­ro­us and can­ce­ro­us bre­asts "BPCI2100" was de­ve­lo­ped. The da­ta­ba­se con­sists of 2,100 ima­ge fi­les and a MySQL da­ta­ba­se of me­di­cal re­se­arch in­for­ma­ti­on (pa­ti­ent in­for­ma­ti­on and ima­ge fe­atu­res). Ge­ne­ra­ti­ve ad­ver­sa­ri­al net­works (GAN) ha­ve be­en fo­und to be an ef­fec­ti­ve me­ans of ima­ge ge­ne­ra­ti­on. The archi­tec­tu­re of the ge­ne­ra­ti­ve ad­ver­sa­ri­al net­work con­sis­ting of a ge­ne­ra­tor and a discri­mi­na­tor has be­en de­ve­lo­ped.The discri­mi­na­tor is a de­ep con­vo­lu­ti­onal neu­ral net­work with co­lor ima­ges of 128×128 pi­xels. This net­work con­sists of six con­vo­lu­ti­onal la­yers with a win­dow si­ze of 5×5 pi­xels. Le­aky Re­LU type ac­ti­va­ti­on functi­on for con­vo­lu­ti­onal la­yers is used. The last la­yer used a sig­mo­id ac­ti­va­ti­on functi­on. The ge­ne­ra­tor is a neu­ral net­work con­sis­ting of a fully con­nec­ted la­yer and se­ven de­con­vo­lu­ti­on la­yers with a 5×5 pi­xel win­dow si­ze. Le­aky Re­LU ac­ti­va­ti­on functi­on is used for all la­yers. The last la­yer uses the hyper­bo­lic tan­gent ac­ti­va­ti­on functi­on. Go­og­le Clo­ud Com­pu­te Instan­ce to­ols ha­ve be­en used to tra­in the the ge­ne­ra­ti­ve ad­ver­sa­ri­al net­work. Ge­ne­ra­ti­on of his­to­lo­gi­cal and cyto­lo­gi­cal ima­ges on the ba­sis of the ge­ne­ra­ti­ve ad­ver­sa­ri­al net­work is con­duc­ted. As a re­sult, the tra­ining sample for clas­si­fi­ers has be­en sig­ni­fi­cantly incre­ased.

Дана магістерська дисертація присвячена дослідженню та розробці алгоритмічно-програмного методу колоризації зображень за допомогою нейронних мереж. Дана магістерська дисертація включає у себе проведені дослідження проблеми колоризації зображень, власноруч розроблений алгоритмічно-програмний метод для виконання напівавтоматичної колоризації зображень за участю користувача, який вносить власні кольорові підказки. З метою тестування та демонстрації роботи розробленої системи нейронних мереж було створено простий веб-сервіс, який надає можливість користувачу обрати необхідне зображення, за допомогою палітри кольорів внести власні підказки та отримати результат роботи системи. У даній магістерській дисертації проведено детальний аналіз існуючих проблем у роботі з зображеннями, огляд різних алгоритмів для усунення дефектів на зображеннях та запропоновано власний метод для виконання інтерактивної колоризації зображення за участю користувача. Також розроблено простий веб-сервіс, на якому розгорнуто натреновані моделі для їх експлуатації.
This master's dissertation is devoted to the research and development of an algorithmic-software method of coloring images using neural networks. This master's dissertation includes research on the problem of image colorization, self-developed algorithmic-software method for semi-automatic image colorization with the participation of a user who makes their own color prompts. In order to test and demonstrate the work of the developed neural network system, a simple web service was created, which allows the user to select the desired image, use the color palette to enter their own tips and get the result of the system. This master's dissertation provides a detailed analysis of existing problems in working with images, a review of various algorithms for eliminating defects in images and proposed its own method for performing interactive coloring of images with the participation of the user. A simple web service has also been developed, which deploys trained models for their operation.

Магістерська дисертація: 87 с., 27 рисунків, 24 таблиці, 21 джерело. В роботі розглянута класична задача оптимального транспортування. Проведено дослідження відомих методів її вирішення, їх переваги та недоліки, необхідні умови існування оптимального розв’язку. Окрім цього, був запропонований машинний метод вирішення задачі з побудовою та навчанням моделі на основі генеративної нейронної мережі. В роботі було розглянуто загальні відомості про методи вирішення задачі оптимального транспортування при її незбалансованості та масштабованості. Було виконано аналіз результатів трьох різних типів задач, вирішених методом машинного навчання. Об’єктом дослідження є класична задача оптимального транспортування у трьох різних видах. Предметом дослідження є методи машинного навчання, зокрема генеративна змагальна нейронна мережа.
Master’s thesis: 87 pages, 27 figures, 24 tables, 21 sources. Theme: The classical problem of optimal transportation. The conducted research solves it by known methods, their advantages and disadvantages, the necessary conditions for the existence of an optimal solution. This was a proposed machine method for solving problems with the construction and model of learning based on a generative neural network. The paper considered general information on the method of solving the problem of optimal transportation with its unbalance and scalability. The results of three different types of problems solved by the machine learning method were analyzed. The subject of the study is the classical problem of optimal transportation in three different types. The subject of research is the methods of machine learning, in particular the generative competitive neural network.