Izlučivanje slikovnih reprezentacija generativnim suparničkim modelima

Sažetak na hrvatskom: Nenadzirano učenje je vrlo zanimljivo područje jer omogućuje iskoristiti velike količine dostupnih neoznačenih podataka. U radu se bavimo generativnim suparničkim modelima koji omogućuju generiranje slika iz distribucije podatke te izvlačenje slikovnih reprezentacija. Opisane s...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:50611/Details
Glavni autor: Zelić, Filip (-)
Ostali autori: Šegvić, Siniša (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, F. Zelić, 2018.
Predmet:
LEADER 02515na a2200229 4500
003 HR-ZaFER
008 160221s2018 ci ||||| m||| 00| 0 hr d
035 |a (HR-ZaFER)ferid5153 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Zelić, Filip 
245 1 0 |a Izlučivanje slikovnih reprezentacija generativnim suparničkim modelima :  |b diplomski rad /  |c Filip Zelić ; [mentor Siniša Šegvić]. 
246 1 |a Extracting image representations with generative adversarial models  |i Naslov na engleskom:  
260 |a Zagreb,  |b F. Zelić,  |c 2018. 
300 |a 41 str. ;  |c 30 cm +  |e CD-ROM 
502 |b diplomski studij  |c Fakultet elektrotehnike i računarstva u Zagrebu  |g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2018-02-09, datum završetka: 2018-02-20 
520 3 |a Sažetak na hrvatskom: Nenadzirano učenje je vrlo zanimljivo područje jer omogućuje iskoristiti velike količine dostupnih neoznačenih podataka. U radu se bavimo generativnim suparničkim modelima koji omogućuju generiranje slika iz distribucije podatke te izvlačenje slikovnih reprezentacija. Opisane su duboke neuronske mreže s fokusom na konvolucijske mreže. Detaljno je prikazano nekoliko tipova generativnih suparničkih modela i njihove konfiguracije. Implementirani su duboki generativni suparnički model i dvije inačice Wassersteinovog modela u Pytorch razvojnom okviru. Modeli se evaluirani na tri različita podatkovna skupa MNIST, Fashion-MNIST i CIFAR-10. Na kraju su prikazani dobiveni rezultati, s opisima i slikama. 
520 3 |a Sažetak na engleskom: Unsupervised learning is a very interesting area because it allows one to take advantage of large volumes of unlabeled data. This paper deals with generative adversarial networks that enable generation of images from given data distribution and feature extraction. Deep neural networks are described with emphasis on convolutional networks. Several types of generative adversarial networks are shown with their configuration. A deep convolutional adversarial model and two versions of Wasserstein model are implemented using the Pytorch library. Models were evaluated on three different sets of data MNIST, Fashion-MNIST and CIFAR-10. Finally, we present results with description and images. 
653 1 |a Duboki generativni suparnički modeli, učenje reprezentacije, nenadzirano učenje 
653 1 |a Deep generative adversarial models, representation learning, unsupervised learning 
700 1 |a Šegvić, Siniša  |4 ths 
942 |c Y 
999 |c 50611  |d 50611