Rodyti trumpą aprašą

dc.contributor.authorVdoviak, Gabriela
dc.contributor.authorGiedra, Henrikas
dc.date.accessioned2023-09-18T09:30:12Z
dc.date.available2023-09-18T09:30:12Z
dc.date.issued2023
dc.identifier.urihttps://etalpykla.vilniustech.lt/handle/123456789/111274
dc.description.abstractGeneratyvinių 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.lit
dc.description.abstractThe 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.eng
dc.formatPDF
dc.format.extent97 p.
dc.format.mediumtekstas / txt
dc.language.isolit
dc.rightsLaisvai prieinamas internete
dc.source.urihttps://talpykla.elaba.lt/elaba-fedora/objects/elaba:168917388/datastreams/MAIN/content
dc.titleGeneratyvinių adversarinių tinklų taikymo sąsūkos neuroninių tinklų veikimui gerinti tyrimas
dc.title.alternativeResearch of generative adversarial networks usage for increasing a convolutional neural network's performance
dc.typeMagistro darbas / Master thesis
dcterms.references0
dc.type.pubtypeETD_MGR - Magistro darbas / Master thesis
dc.contributor.institutionVilniaus Gedimino technikos universitetas
dc.subject.researchfieldT 007 - Informatikos inžinerija / Informatics engineering
dc.subject.studydirectionB04 - Informatikos inžinerija / Informatics engineering
dc.subject.ltdirbtiniai sąsūkos neuroniniai tinklai
dc.subject.ltgeneratyviniai adversariniai tinklai
dc.subject.ltgilusis mokymasis
dc.subject.ltsintetinių vaizdų generavimas
dc.subject.ltvaizdų klasifikavimas
dc.subject.enconvolutional neural networks
dc.subject.endeep learning
dc.subject.engenerative adversarial networks
dc.subject.enimage classification
dc.subject.enimage synthesis
dc.identifier.elaba168917388


Šio įrašo failai

Thumbnail

Šis įrašas yra šioje (-se) kolekcijoje (-ose)

Rodyti trumpą aprašą