Kuvien generointi neuroverkkojen avulla
Siitonen, Tapio (2022)
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022113025055
https://urn.fi/URN:NBN:fi:amk-2022113025055
Tiivistelmä
Generatiiviset koneoppimisen mallit pystyvät nykyisin generoimaan monimutkaisia ja fotorealistisia kuvia. Yksi tällainen koneoppimisen malli on generatiivinen kilpaileva verkosto (GAN). Työn tavoitteena oli toteuttaa sellainen generatiivinen kilpaileva verkosto, joka kykenee tuottamaan fotorealistisia kasvokuvia. Toisena tavoitteena oli perehdyttää lukija generatiivisen kilpailevan verkoston toimintaperiaatteisiin.
Insinöörityön teoriaosuudessa käytiin läpi koneoppimista, neuroverkkoja, konvoluutioverkkoja ja generatiivinen kilpaileva verkosto. Ennen toteutukseen menemistä esiteltiin myös erilaisia GAN-malleja, jotta saatiin parempi käsitys niiden potentiaalista.
Toteutusosiossa käytiin läpi kasvoja generoiva DCGAN-toteutus osa kerrallaan ja koodiesimerkkien tukemana. Lopputuloksena DCGAN pystyi generoimaan kasvokuvia, joista parhaat vaikuttivat aidoilta.
DCGAN-toteutuksen kouluttaminen todettiin aikaa vieväksi suhteutettuna generoituihin kuviin, jotka olivat melko pieniä ja huonoja laadultaan verrattuna edistyneempien GAN-mallien tuotoksiin. Toteutus antoi kuitenkin hyvän pohjan tuleviin koneoppimisen projekteihin.
Insinöörityön teoriaosuudessa käytiin läpi koneoppimista, neuroverkkoja, konvoluutioverkkoja ja generatiivinen kilpaileva verkosto. Ennen toteutukseen menemistä esiteltiin myös erilaisia GAN-malleja, jotta saatiin parempi käsitys niiden potentiaalista.
Toteutusosiossa käytiin läpi kasvoja generoiva DCGAN-toteutus osa kerrallaan ja koodiesimerkkien tukemana. Lopputuloksena DCGAN pystyi generoimaan kasvokuvia, joista parhaat vaikuttivat aidoilta.
DCGAN-toteutuksen kouluttaminen todettiin aikaa vieväksi suhteutettuna generoituihin kuviin, jotka olivat melko pieniä ja huonoja laadultaan verrattuna edistyneempien GAN-mallien tuotoksiin. Toteutus antoi kuitenkin hyvän pohjan tuleviin koneoppimisen projekteihin.