Породжувальні моделі та методи глибокого навчання для формування зображень

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorБіляченко, Катерина Вячеславівна
dc.date.accessioned2023-09-28T14:25:43Z
dc.date.available2023-09-28T14:25:43Z
dc.date.issued2023
dc.description.abstractДипломна робота містить 147 с., 6 табл., 57 рис., 2 додатки, 46 джерел. Об’єкт дослідження: формування нових зображень з використанням породжувальних моделей та методів глибокого навчання на основі вихідних даних облич людей різного віку, національності тощо. Згенеровані зображення можуть бути використані безпосередньо на практиці як готовий результат , так і для етапу підготовки даних для моделей класифікації. Предмет дослідження: породжувальні моделі, а саме генеративна змагальна мережа, її модифікації генеративна змагальна мережа найменших квадратів і глибока згорткова генеративна мережа, а також варіаційний автокодувальник. Мета роботи: розробка програмного продукту для дослідження формування зображень різних породжувальних моделей на визначеному наборі даних, виявлення особливостей кожної з них, проведення порівняльного аналізу. Практичним результатом роботи є програмний продукт на мові програмування Python (додаток A), який представляє собою систему навчання породжувальних моделей, серед яких генеративні змагальні мережі та варіаційний автокодувальник, та формування зображень з їх використанням, а також систему класифікації зображень для дослідження питання доповнення існуючої вибірки сформованими зображеннями від породжувальної моделі.uk
dc.description.abstractotherThesis includes: 147 p., 6 tabl., 57 fig., 2 appendices, 46 sources. The main object of the given work is formation of new images using generative models and deep learning methods based on input data of people's faces of different ages, nationalities etc. Generated images can be directly used in practice as a final outcome, as well as for data preparation stage for classification models. The main subject of the research are generative models, specifically generative adversarial network, its modification least squares generative adversarial network, and deep convolutional generative adversarial network, and also variational autoencoder. The goal is development of a software product for investigating the formation of images using different generative models on a specific dataset, identifying the characteristics of each model, and conducting comparative analysis. The practical result of the work is software product, that has been developed in the Python programming language (appendix A), which is a system for learning generative models, including generative adversarial networks and a variational autoencoder, and image formation using them, as well as an image classification system for researching the question of supplementing the existing samples with generated images from the generative model.uk
dc.format.extent147 с.uk
dc.identifier.citationБіляченко, К. В. Породжувальні моделі та методи глибокого навчання для формування зображень : дипломна робота ... бакалавра : 124 Системний аналіз / Біляченко Катерина Вячеславівна. – Київ, 2023. – 147 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60688
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectпороджувальні моделіuk
dc.subjectглибоке навчанняuk
dc.subjectкласифікаційні моделіuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectгенеративна змагальна мережаuk
dc.subjectгенеративна змагальна мережа найменших квадратівuk
dc.subjectглибока згорткова генеративна змагальна мережаuk
dc.subjectваріаційний автокодувальникuk
dc.subjectgenerative modelsuk
dc.subjectdeep learninguk
dc.subjectclassification modelsuk
dc.subjectconvolutional neural networksuk
dc.subjectgenerative adversarial networkuk
dc.subjectleast squares generative adversarial networkuk
dc.subjectdeep convolutional generative adversarial networkuk
dc.subjectvariational autoencoderuk
dc.titleПороджувальні моделі та методи глибокого навчання для формування зображеньuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Biliachenko_bakalavr.pdf
Розмір:
7.4 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи