• Lietuvių
    • English
  • Lietuvių 
    • Lietuvių
    • English
  • Prisijungti
Peržiūrėti įrašą 
  •   DSpace pagrindinis
  • Baigiamieji darbai (ETD) / Graduation works (ETD)
  • Magistrų darbai / Master theses
  • Peržiūrėti įrašą
  •   DSpace pagrindinis
  • Baigiamieji darbai (ETD) / Graduation works (ETD)
  • Magistrų darbai / Master theses
  • Peržiūrėti įrašą
JavaScript is disabled for your browser. Some features of this site may not work without it.

Generatyvinių adversarinių tinklų taikymo sąsūkos neuroninių tinklų veikimui gerinti tyrimas

Peržiūrėti/Atidaryti
MBD_HG_GV_DISfm21.pdf (5.422Mb)
Data
2023
Autorius
Vdoviak, Gabriela
Giedra, Henrikas
Metaduomenys
Rodyti detalų aprašą
Santrauka
Generatyvinių adversarinių tinklų taikymo sąsūkos neuroninių tinklų veikimui gerinti tyrimas. Baigiamasis magistro darbas informatikos inžinerijos laipsniui. Vilniaus Gedimino technikos universitetas. Vilnius, 2023, 97 p., 49 iliustr., 3 lent., 50 bibl., 2 priedai. Baigiamajame magistro darbe tiriamas generatyvinių adversarinių tinklų taikymas dirbtinių neuroninių tinklų veikimui gerinti. Tikslui pasiekti atlikta vaizdams generuoti skirtų giliojo mokymosi metodų analitinė apžvalga, nagrinėti neuroninių tinklų veikimo gerinimo metodai ir atrinktos generatyvinių adversarinių tinklų architektūros. Eksperimentinėje dalyje, įgyvendinti ir ištirti pasirinkti generatyvinių adversarinių tinklų modeliai, naudoti ribotam duomenų rinkiniui padidinti. Sintetiniais vaizdais praplėstas mokymo duomenų rinkinys taikytas sąsūkos dirbtinių neuroninių tinklų efektyvumui vertinti. Eksperimentų rezultatai rodo, jog mokymo duomenų praplėtimas sintetiniais vaizdais sumažina klasifikatoriaus persimokymą, padidina tikslumą ir stabilumą.
 
The master's thesis investigates the application of generative adversarial networks to improve the performance of convolutional neural networks. To achieve this goal, an analytical overview of deep learning methods designed for image generation was performed, methods for improving the performance of neural networks were examined, and architectures of generative adversarial networks were selected. In the experimental section, the chosen generative adversarial network models used for limited dataset augmentation were implemented and studied. Initial training dataset was expanded with synthetic images to evaluate the performance of convolutional neural networks. The results of the experiments show that augmenting the training data with synthetic images reduces overfitting of classifier, improves stability, and increases accuracy.
 
Paskelbimo data (metai)
2023
URI
https://etalpykla.vilniustech.lt/handle/123456789/111274
Kolekcijos
  • Magistrų darbai / Master theses [2734]

 

 

Naršyti

Visame DSpaceRinkiniai ir kolekcijosPagal išleidimo datąAutoriaiAntraštėsTemos / Reikšminiai žodžiai InstitucijaFakultetasKatedra / institutasTipasŠaltinisLeidėjasTipas (PDB/ETD)Mokslo sritisStudijų kryptisVILNIUS TECH mokslinių tyrimų prioritetinės kryptys ir tematikosLietuvos sumanios specializacijosŠi kolekcijaPagal išleidimo datąAutoriaiAntraštėsTemos / Reikšminiai žodžiai InstitucijaFakultetasKatedra / institutasTipasŠaltinisLeidėjasTipas (PDB/ETD)Mokslo sritisStudijų kryptisVILNIUS TECH mokslinių tyrimų prioritetinės kryptys ir tematikosLietuvos sumanios specializacijos

Asmeninė paskyra

PrisijungtiRegistruotis