Le reti generative avversarie sono una classe di algoritmi di intelligenza artificiale utilizzati nell'apprendimento automatico non supervisionato in grado di generare immagini che sembrano autentiche. In questa tesi, attraverso l'uso del framework Tensorflow, ਠstato implementato un particolare modello di GAN chiamato PIX2PIX, che consente di ottenere facciate di edifici partendo da una semplice sezione laterale. L'esportazione online del modello ਠstata effettuata utilizzando CloudML, quindi sono stati tentati diversi approcci per cercare di migliorare i risultati visivi ottenuti; tra cui CoordConv, il meccanismo di self-attention applicato alle immagini e, in particolare, il modello chiamato DRPAN. Infine, sono state valutate alcune soluzioni per possibili miglioramenti ed estensioni future, in particolare per quanto riguarda la creazione del dataset attraverso lo strumento UnrealCV.
Reti generative avversarie per la generazione di facciate
-
2018
Abstract
Le reti generative avversarie sono una classe di algoritmi di intelligenza artificiale utilizzati nell'apprendimento automatico non supervisionato in grado di generare immagini che sembrano autentiche. In questa tesi, attraverso l'uso del framework Tensorflow, ਠstato implementato un particolare modello di GAN chiamato PIX2PIX, che consente di ottenere facciate di edifici partendo da una semplice sezione laterale. L'esportazione online del modello ਠstata effettuata utilizzando CloudML, quindi sono stati tentati diversi approcci per cercare di migliorare i risultati visivi ottenuti; tra cui CoordConv, il meccanismo di self-attention applicato alle immagini e, in particolare, il modello chiamato DRPAN. Infine, sono state valutate alcune soluzioni per possibili miglioramenti ed estensioni future, in particolare per quanto riguarda la creazione del dataset attraverso lo strumento UnrealCV.File | Dimensione | Formato | |
---|---|---|---|
tesi_finale.pdf
non disponibili
Tipologia:
Altro materiale allegato
Dimensione
17.51 MB
Formato
Adobe PDF
|
17.51 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14242/301546
URN:NBN:IT:UNIMORE-301546