Controlando a geração de faces através de Generative Adversarial Networks
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/11338/11986 |
Resumo: | Generative Advesarial Networks (GANs) são um avanço relativamente recente dentro da área do aprendizado de máquina. Este framework tem sido utilizado em vários trabalhos de sucesso na visão computacional. Estudos sobre síntese de faces costumam usar GANs para produzir novas imagens de rostos humanos. As possibilidades vão desde a alteração das características de um rosto pequeno até a criação de um rosto completamente novo. Este estudo em particular tem como objetivo fazer uma pesquisa exploratória, introduzindo o tema e investigando possíveis aplicações para a síntese de faces. Para começar, foi feita uma revisão sistemática. Em seguida, foi proposto o uso de uma GAN para gerar faces aleatórias utilizando atributos controláveis ??do dataset CelebA. Para avaliar tal cenário, foram utilizadas as métricas FID e IS. Um método baseado em princípios de deep learning foi seguido ao longo desta pesquisa. Métodos relevantes como Noisy Scale-Space e suavização de rótulo unilateral foram aplicados para garantir a convergência GAN e melhores resultados. Para concluir, o melhor modelo teve um desempenho semelhante aos modelos descritos na literatura, atingindo um valor de FID de 23,08 (±1,35). [resumo fornecido pelo autor] |
id |
UCS_8e934a360ee01a11107532cab8c36cff |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/11986 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Silva, Felipe Fischer daAdami, André GustavoNotari, Daniel LuísWebber, Carine Geltrudes2023-05-18T16:48:14Z2023-05-18T16:48:14Z2022-07-122022-06-28https://repositorio.ucs.br/11338/11986Generative Advesarial Networks (GANs) são um avanço relativamente recente dentro da área do aprendizado de máquina. Este framework tem sido utilizado em vários trabalhos de sucesso na visão computacional. Estudos sobre síntese de faces costumam usar GANs para produzir novas imagens de rostos humanos. As possibilidades vão desde a alteração das características de um rosto pequeno até a criação de um rosto completamente novo. Este estudo em particular tem como objetivo fazer uma pesquisa exploratória, introduzindo o tema e investigando possíveis aplicações para a síntese de faces. Para começar, foi feita uma revisão sistemática. Em seguida, foi proposto o uso de uma GAN para gerar faces aleatórias utilizando atributos controláveis ??do dataset CelebA. Para avaliar tal cenário, foram utilizadas as métricas FID e IS. Um método baseado em princípios de deep learning foi seguido ao longo desta pesquisa. Métodos relevantes como Noisy Scale-Space e suavização de rótulo unilateral foram aplicados para garantir a convergência GAN e melhores resultados. Para concluir, o melhor modelo teve um desempenho semelhante aos modelos descritos na literatura, atingindo um valor de FID de 23,08 (±1,35). [resumo fornecido pelo autor]Generative Advesarial Networks (GANs) are a relatively recent machine learning approach. As a framework, it has been used in several computer vision successful projects. Studies about face synthesis commonly use GANs in order to produce new images of human faces. The possibilities range from changing small face characteristics to recreating a completely new one. This particular study aims to do an exploratory research, introducing the topic and investigating possible applications for face synthesis. To begin with, a systematic review has been done. Next, it was proposed the use of a GAN to generate random faces using controllable attributes from CelebA dataset. In order to evaluate such scenario, FID and IS metrics were emploied. A method based on deep learning principles was followed along this research. Relevant methods as noisy scale-space and one-sided label smoothing were applied in order to guarantee GAN convergence and better results. To conclude, the best model has performed similarly to models described in literature, reaching a FID value of 23.08 (±1.35). [resumo fornecido pelo autor]Aprendizado do computador - Inovações tecnológicasInteligência artificial - Programas de computadorRedes neurais (Computação)Controlando a geração de faces através de Generative Adversarial Networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do SulBacharelado em Ciência da ComputaçãoCampus Universitário de Caxias do Sul2022-07-11ORIGINALArtigo Felipe Fischer da Silva.pdfArtigo Felipe Fischer da Silva.pdfapplication/pdf12278515https://repositorio.ucs.br/xmlui/bitstream/11338/11986/1/Artigo%20Felipe%20Fischer%20da%20Silva.pdff267e2bff3ff721e54562c64de055973MD51TEXTArtigo Felipe Fischer da Silva.pdf.txtArtigo Felipe Fischer da Silva.pdf.txtExtracted texttext/plain59923https://repositorio.ucs.br/xmlui/bitstream/11338/11986/2/Artigo%20Felipe%20Fischer%20da%20Silva.pdf.txt2971292479210beb78b947fe9c56ca95MD52THUMBNAILArtigo Felipe Fischer da Silva.pdf.jpgArtigo Felipe Fischer da Silva.pdf.jpgGenerated Thumbnailimage/jpeg1903https://repositorio.ucs.br/xmlui/bitstream/11338/11986/3/Artigo%20Felipe%20Fischer%20da%20Silva.pdf.jpga5602f5139af2f9297d843aa850041e8MD5311338/119862023-05-19 07:01:01.015oai:repositorio.ucs.br:11338/11986Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2024-05-06T10:00:59.568934Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Controlando a geração de faces através de Generative Adversarial Networks |
title |
Controlando a geração de faces através de Generative Adversarial Networks |
spellingShingle |
Controlando a geração de faces através de Generative Adversarial Networks Silva, Felipe Fischer da Aprendizado do computador - Inovações tecnológicas Inteligência artificial - Programas de computador Redes neurais (Computação) |
title_short |
Controlando a geração de faces através de Generative Adversarial Networks |
title_full |
Controlando a geração de faces através de Generative Adversarial Networks |
title_fullStr |
Controlando a geração de faces através de Generative Adversarial Networks |
title_full_unstemmed |
Controlando a geração de faces através de Generative Adversarial Networks |
title_sort |
Controlando a geração de faces através de Generative Adversarial Networks |
author |
Silva, Felipe Fischer da |
author_facet |
Silva, Felipe Fischer da |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Adami, André Gustavo Notari, Daniel Luís |
dc.contributor.author.fl_str_mv |
Silva, Felipe Fischer da |
dc.contributor.advisor1.fl_str_mv |
Webber, Carine Geltrudes |
contributor_str_mv |
Webber, Carine Geltrudes |
dc.subject.por.fl_str_mv |
Aprendizado do computador - Inovações tecnológicas Inteligência artificial - Programas de computador Redes neurais (Computação) |
topic |
Aprendizado do computador - Inovações tecnológicas Inteligência artificial - Programas de computador Redes neurais (Computação) |
description |
Generative Advesarial Networks (GANs) são um avanço relativamente recente dentro da área do aprendizado de máquina. Este framework tem sido utilizado em vários trabalhos de sucesso na visão computacional. Estudos sobre síntese de faces costumam usar GANs para produzir novas imagens de rostos humanos. As possibilidades vão desde a alteração das características de um rosto pequeno até a criação de um rosto completamente novo. Este estudo em particular tem como objetivo fazer uma pesquisa exploratória, introduzindo o tema e investigando possíveis aplicações para a síntese de faces. Para começar, foi feita uma revisão sistemática. Em seguida, foi proposto o uso de uma GAN para gerar faces aleatórias utilizando atributos controláveis ??do dataset CelebA. Para avaliar tal cenário, foram utilizadas as métricas FID e IS. Um método baseado em princípios de deep learning foi seguido ao longo desta pesquisa. Métodos relevantes como Noisy Scale-Space e suavização de rótulo unilateral foram aplicados para garantir a convergência GAN e melhores resultados. Para concluir, o melhor modelo teve um desempenho semelhante aos modelos descritos na literatura, atingindo um valor de FID de 23,08 (±1,35). [resumo fornecido pelo autor] |
publishDate |
2022 |
dc.date.submitted.none.fl_str_mv |
2022-06-28 |
dc.date.issued.fl_str_mv |
2022-07-12 |
dc.date.accessioned.fl_str_mv |
2023-05-18T16:48:14Z |
dc.date.available.fl_str_mv |
2023-05-18T16:48:14Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ucs.br/11338/11986 |
url |
https://repositorio.ucs.br/11338/11986 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UCS instname:Universidade de Caxias do Sul (UCS) instacron:UCS |
instname_str |
Universidade de Caxias do Sul (UCS) |
instacron_str |
UCS |
institution |
UCS |
reponame_str |
Repositório Institucional da UCS |
collection |
Repositório Institucional da UCS |
bitstream.url.fl_str_mv |
https://repositorio.ucs.br/xmlui/bitstream/11338/11986/1/Artigo%20Felipe%20Fischer%20da%20Silva.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/11986/2/Artigo%20Felipe%20Fischer%20da%20Silva.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/11986/3/Artigo%20Felipe%20Fischer%20da%20Silva.pdf.jpg |
bitstream.checksum.fl_str_mv |
f267e2bff3ff721e54562c64de055973 2971292479210beb78b947fe9c56ca95 a5602f5139af2f9297d843aa850041e8 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS) |
repository.mail.fl_str_mv |
|
_version_ |
1813258429553180672 |