Attēlu un to atbilstošo segmentācijas masku ģenerēšana ar neironu tīkliem

Abstract

GAN tīkli kalpo kā pierādījums, ka dators spēj sintezēt attēlus, balstoties uz doto treniņa datu kopu un tos var izmantot tādiem uzdevumiem, kā, piemēram, attēlu restaurēšanai, izšķirtspējas palielināšanai, stila pārnesei u.c. Šie tīkli varētu noderēt, lai ģenerētu unikālus attēlu resursus tālākai apstrādei un izmantošanai, bet bieži vien lietotājiem ir pašiem jāizgriež nepieciešamais objekts. To varētu arī automatizēt. Šī bakalaura darba nolūks ir izpētīt ar GAN tīkliem saistītos jēdzienus, praktiski izmēģināt GAN tīkla trenēšanu, analizēt tā rezultātus un kā arī izpētīt, kā konvolutīvs neironu tīkls segmentēs ģenerētus attēlus.

Generative adversarial networks demonstrate computer’s ability to synthesize images on its own by learning patterns from a given training dataset. They can be used for such tasks as, for example, image restoration, resolution upscaling, style transfer and others. These networks could be used to create stock images for further editing and usage, but usually users must crop out the object on their own. That could be automated. The aim of this paper is to learn about concepts related to GANs, try out training a network, analyze its results and finally, examine how well a convolutive neural network will segment generated images.