Publication: Generation of Content Through Antagonic Generative Networks
Loading...
Official URL
Full text at PDC
Publication Date
2022
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
This work is used to explore machine learning methods for generating images, in particular, we explore the Generative Adversarial Networks (or GANs) and how these are used to generate new synthetic samples for datasets. This project is mainly focused on the generation of images through different techniques. Most of our work consists of understanding these fairly new models and implementing them ourselves, to then use them to generate images and test how well each of them works. Most machine learning methods need large sums of examples for them to understand how to fully operate in most cases, this is where GANs shine, as they can create new samples for these preestablished datasets that may not contain enough. Not only that but also the fact that this task requires a thorough understanding of the dataset makes the GAN an excellent judge for that dataset. This research has led us to understand the strengths and shortcomings of each sort of model that we produced, as well as how the next one improved on it while giving up something in return, which in most cases was time because these types of models take a long time to provide useful findings that can then be analyzed. Because these content generators aren’t perfect, they cannot be employed in operations that need a high level of precision. However, this establishes a foundation from which other types of content generators can grow and evolve, leveraging their strengths to build stronger models. Another issue with these models is that the created content can only copy current ones and cannot develop new ones, resulting in bias. In a nutshell, this study serves as a foundation for understanding current breakthroughs in generative machine learning algorithms and how they are used to generate new material from an existing dataset using GANs.
Este trabajo se utiliza para explorar los métodos de aprendizaje automático de generación de imágenes, en particular exploramos las Redes Generativas Adversarias (o GANs) y cómo éstas se utilizan para generar nuevas muestras sintéticas para conjuntos de datos. Este proyecto se centra principalmente en la generación de imágenes mediante diferentes técnicas. La mayor parte de nuestro trabajo consiste en comprender estos modelos novedosos e implementarlos nosotros mismos, y así luego utilizarlos para generar imágenes y probar su funcionalidad. La mayoría de los métodos de aprendizaje automático necesitan grandes sumas de ejemplos para entender cómo funcionan completamente en los distintos casos, aquí es donde las GANs brillan, ya que pueden crear nuevas muestras para estos conjuntos de datos preestablecidos que pueden no contener suficientes. No sólo eso, sino que el hecho de que esta tarea requiera un conocimiento profundo del conjunto de datos por parte del modelo, hace que el GAN sea un excelente juez para ese conjunto de datos. Esta investigación nos ha llevado a comprender los puntos fuertes y débiles de cada tipo de modelo que hemos producido, así como la forma en que el siguiente lo mejoraba renunciando a algo a cambio, que en la mayoría de los casos era el tiempo, porque este tipo de modelos necesitan mucho tiempo para poder proporcionar resultados útiles que puedan ser analizados. Como estos generadores de contenidos no son perfectos, no pueden emplearse en operaciones que necesiten un alto nivel de precisión. Sin embargo, esto establece una base a partir de la cual otros tipos de generadores de contenido pueden crecer y evolucionar, aprovechando sus puntos fuertes para construir modelos más sólidos. Otro problema de estos modelos es que los contenidos creados sólo pueden copiar los actuales y no pueden desarrollar otros nuevos, lo que provoca un sesgo. En pocas palabras, este estudio sirve de base para comprender los avances actuales en los algoritmos de aprendizaje automático generativo y cómo se utilizan para generar nuevo material a partir de un conjunto de datos existente utilizando GANs.
Este trabajo se utiliza para explorar los métodos de aprendizaje automático de generación de imágenes, en particular exploramos las Redes Generativas Adversarias (o GANs) y cómo éstas se utilizan para generar nuevas muestras sintéticas para conjuntos de datos. Este proyecto se centra principalmente en la generación de imágenes mediante diferentes técnicas. La mayor parte de nuestro trabajo consiste en comprender estos modelos novedosos e implementarlos nosotros mismos, y así luego utilizarlos para generar imágenes y probar su funcionalidad. La mayoría de los métodos de aprendizaje automático necesitan grandes sumas de ejemplos para entender cómo funcionan completamente en los distintos casos, aquí es donde las GANs brillan, ya que pueden crear nuevas muestras para estos conjuntos de datos preestablecidos que pueden no contener suficientes. No sólo eso, sino que el hecho de que esta tarea requiera un conocimiento profundo del conjunto de datos por parte del modelo, hace que el GAN sea un excelente juez para ese conjunto de datos. Esta investigación nos ha llevado a comprender los puntos fuertes y débiles de cada tipo de modelo que hemos producido, así como la forma en que el siguiente lo mejoraba renunciando a algo a cambio, que en la mayoría de los casos era el tiempo, porque este tipo de modelos necesitan mucho tiempo para poder proporcionar resultados útiles que puedan ser analizados. Como estos generadores de contenidos no son perfectos, no pueden emplearse en operaciones que necesiten un alto nivel de precisión. Sin embargo, esto establece una base a partir de la cual otros tipos de generadores de contenido pueden crecer y evolucionar, aprovechando sus puntos fuertes para construir modelos más sólidos. Otro problema de estos modelos es que los contenidos creados sólo pueden copiar los actuales y no pueden desarrollar otros nuevos, lo que provoca un sesgo. En pocas palabras, este estudio sirve de base para comprender los avances actuales en los algoritmos de aprendizaje automático generativo y cómo se utilizan para generar nuevo material a partir de un conjunto de datos existente utilizando GANs.
Description
Trabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Ingeniería del Software e Inteligencia Artificial, Curso 2021/2022.
All the code used in this project can be found here:
https://github.com/DanielaCordova/TFG---GANs