Diseño de una red generativa antagónica para el mejoramiento de la resolución de imágenes
El trabajo consiste en diseñar una red generativa antagónica (GAN) que aumenta la resolución de una imagen. Este desarrollo se aplica en situaciones donde se hace necesario crear información que no existe, en este caso es con imágenes donde su finalidad es aumentar su resolución a partir de una red...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/99506 |
| Acceso en línea: | http://hdl.handle.net/10609/99506 |
| Access Level: | acceso abierto |
| Palabra clave: | red neuronal convolucional mejora de resolución en imágenes red generativa antagónica convolutional neural network improved image resolution generative adversarial network xarxa neuronal convolucional millora de resolució en imatges xarxa generativa antagònica Artificial intelligence -- TFM Intel·ligència artificial -- TFM Inteligencia artificial -- TFM |
| Sumario: | El trabajo consiste en diseñar una red generativa antagónica (GAN) que aumenta la resolución de una imagen. Este desarrollo se aplica en situaciones donde se hace necesario crear información que no existe, en este caso es con imágenes donde su finalidad es aumentar su resolución a partir de una red neuronal pre-entrenada, lo cual es práctico en situaciones donde se necesite identificar algo y por la resolución de la imagen no se permita. Para el desarrollo del trabajo inicialmente se entrena una red convolucional para extraer las características de un dataset, y posteriormente utilizando esta información se diseña una red antagónica que es la unión de una red que genera información y otra que lo discrimina obteniendo así la mejor versión de la imagen. Como resultado de la investigación es evidente una mejora de las imágenes de baja resolución a alta resolución, la red diseñada permite obtener una mejor versión en un computador sin hardware especializado en cuanto memoria y GPU, sin embargo, es importante considerar el costo computacional para el desarrollo de una red de este tipo; ya que si implica un dataset con un gran volumen de imágenes de alta resolución es necesario hacer uso de un clúster. |
|---|