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.
2018
it
Dipartimento di Ingegneria "Enzo Ferrari"
Università degli Studi di Modena e Reggio Emilia
File in questo prodotto:
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.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/301546
Il codice NBN di questa tesi è URN:NBN:IT:UNIMORE-301546