Попереднє навчання генеративно-змагальних моделей перекладу зображень в умовах обмеженої кількості даних

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Чабан Софією Петрівною. Тема “Попереднє навчання генеративно-змагальних моделей перекладу зображень в умовах обмеженої кількості даних”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є генеративно-змагальні мережі та їхнє використання в завданнях перекладу зображень між різними модальностями. Предметом досліджень є методи та стратегії аугментації даних, спрямовані на покращення якості та загальної продуктивності генеративно-змагальних моделей. Для досягнення мети була розроблена модифікована архітектура генеративно-змагальної мережі, яка поєднує в собі переваги CycleGAN та нові стратегії аугментації даних. У результаті виконання магістерської роботи, було детально проаналізовано архітектуру модифікованої генеративно-змагальної мережі та оцінку її ефективності. Застосування цієї моделі призвело до покращення результатів навчання генеративних моделей при обмеженій кількості перекладених зображень. Загальний обсяг роботи: 60 сторінки, 28 рисунків, 19 посилань. Master's dyploma work was conducted by the student of the CSAI-21 group, Chaban Sofia Petrivna. The topic is "Pretraining Generative Adversarial Models for Image Translation in Limited Data Conditions." The work is aimed at obtaining a master's degree in the field of Computer Science, specialization 122. The object of the research is generative adversarial networks and their use in image translation tasks between different modalities. The subject of the study includes methods and strategies of data augmentation aimed at improving the quality and overall productivity of generative adversarial models. To achieve the goal, a modified architecture of a generative adversarial network was developed, combining the advantages of CycleGAN and new data augmentation strategies. As a result of the master's work, the architecture of the modified generative adversarial network was thoroughly analyzed, and its effectiveness was evaluated. The application of this model led to improved training results for generative models in the case of limited translated images. Total volume of the work: 60 pages, 28 figures, 19 references.