Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network)
Στην παρούσα εργασία εξετάζεται η σύνθεση εικόνων μέσω βαθιών νευρωνικών δικτύων με σκοπό την πρόβλεψη επόμενων εικόνων μιας ακολουθίας. Οι εικόνες που χρησιμοποιήθηκαν είναι εικόνες όπου απεικονίζεται ο ουρανός (sky camera images) και έτσι η πρόβλεψη μιας ακολουθίας τέτοιων εικόνων μπορεί να θεωρηθ...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12240 |
id |
nemertes-10889-12240 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-122402022-09-05T09:40:34Z Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) Sky Camera image syntesis using GAN (Generative Adversarial Networks), deep neural networks Ανδριανάκος, Γεώργιος Φωτόπουλος, Σπυρίδων Φωτόπουλος, Σπυρίδων Αναστασόπουλος, Βασίλειος Οικονόμου, Γεώργιος Andrianakos, Georgios Βαθιά μάθηση Γενετικά μοντέλα Πρόβλεψη εικόνας Deep learning Generative models Video prediction GANs 006.42 Στην παρούσα εργασία εξετάζεται η σύνθεση εικόνων μέσω βαθιών νευρωνικών δικτύων με σκοπό την πρόβλεψη επόμενων εικόνων μιας ακολουθίας. Οι εικόνες που χρησιμοποιήθηκαν είναι εικόνες όπου απεικονίζεται ο ουρανός (sky camera images) και έτσι η πρόβλεψη μιας ακολουθίας τέτοιων εικόνων μπορεί να θεωρηθεί ως πρόβλεψη καιρού. Η αξιολόγηση των αποτελεσμάτων γίνεται εκτιμώντας την νεφοκάλυψη στις παραγόμενες και τις πραγματικές εικόνες και συγκρίνοντας τις τιμές αυτές. Αφού εξηγείται αναλυτικά η χρήση και η λειτουργία των γενετικών μοντέλων και ιδιαίτερα των γενετικών ανταγωνιστικών δικτύων (Generative adversarial Networks, GANs), περνάμε στο πειραματικό μέρος που αφορά την σύνθεση εικόνων τέτοιων ώστε να αποτελούν τη συνέχεια μιας ακολουθίας εικόνων. Το μεγαλύτερο μέρος της εργασίας αφορά διαφορετικούς τρόπους σύνθεσης τέτοιων εικόνων μέσω διαφορετικών δικτύων GAN. Το πρόβλημα προσεγγίζεται με 4 κύριους τρόπους. Την ανάπτυξη δικτύου που προβλέπει μία επόμενη εικόνα κάθε φορά, δίκτυο που προβλέπει περισσότερες από μία εικόνες και τη συνεισφορά της ανταγωνιστικής εκπαίδευσης σε εφαρμογές όπως η παραγωγή τέτοιου είδους εικόνων. In the present thesis, images are being synthesized, in order to predict next frames of an image sequence. The used dataset consists of images depicting sky (sky camera images), so prediction of future frames can be utilized as weather prediction. The evaluation of results is being accomplished estimating cloud coverage in all generated and ground truth images and comparing these values. After analytically explaining the use of genetic models and especially of Generative adversarial Networks (GANs), we pass to the experimental part of synthesizing images which can be the continuation of an input image sequence. The experimental part involves different ways of composing such images through different types of GANs. The problem is approached in 4 main ways. The development of a network that provides one next frame at a time, a network that provides more than one next frames, and the contribution of adversarial learning for applications such as generating images of this kind. 2019-06-30T11:05:21Z 2019-06-30T11:05:21Z 2019-02-28 Thesis http://hdl.handle.net/10889/12240 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Βαθιά μάθηση Γενετικά μοντέλα Πρόβλεψη εικόνας Deep learning Generative models Video prediction GANs 006.42 |
spellingShingle |
Βαθιά μάθηση Γενετικά μοντέλα Πρόβλεψη εικόνας Deep learning Generative models Video prediction GANs 006.42 Ανδριανάκος, Γεώργιος Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
description |
Στην παρούσα εργασία εξετάζεται η σύνθεση εικόνων μέσω βαθιών νευρωνικών δικτύων με σκοπό την πρόβλεψη επόμενων εικόνων μιας ακολουθίας. Οι εικόνες που χρησιμοποιήθηκαν είναι εικόνες όπου απεικονίζεται ο ουρανός (sky camera images) και έτσι η πρόβλεψη μιας ακολουθίας τέτοιων εικόνων μπορεί να θεωρηθεί ως πρόβλεψη καιρού. Η αξιολόγηση των αποτελεσμάτων γίνεται εκτιμώντας την νεφοκάλυψη στις παραγόμενες και τις πραγματικές εικόνες και συγκρίνοντας τις τιμές αυτές.
Αφού εξηγείται αναλυτικά η χρήση και η λειτουργία των γενετικών μοντέλων και ιδιαίτερα των γενετικών ανταγωνιστικών δικτύων (Generative adversarial Networks, GANs), περνάμε στο πειραματικό μέρος που αφορά την σύνθεση εικόνων τέτοιων ώστε να αποτελούν τη συνέχεια μιας ακολουθίας εικόνων.
Το μεγαλύτερο μέρος της εργασίας αφορά διαφορετικούς τρόπους σύνθεσης τέτοιων εικόνων μέσω διαφορετικών δικτύων GAN. Το πρόβλημα προσεγγίζεται με 4 κύριους τρόπους. Την ανάπτυξη δικτύου που προβλέπει μία επόμενη εικόνα κάθε φορά, δίκτυο που προβλέπει περισσότερες από μία εικόνες και τη συνεισφορά της ανταγωνιστικής εκπαίδευσης σε εφαρμογές όπως η παραγωγή τέτοιου είδους εικόνων. |
author2 |
Φωτόπουλος, Σπυρίδων |
author_facet |
Φωτόπουλος, Σπυρίδων Ανδριανάκος, Γεώργιος |
format |
Thesis |
author |
Ανδριανάκος, Γεώργιος |
author_sort |
Ανδριανάκος, Γεώργιος |
title |
Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
title_short |
Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
title_full |
Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
title_fullStr |
Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
title_full_unstemmed |
Σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου GAN (Generative Adversarial Network) |
title_sort |
σύνθεση εικόνων από sky camera με βαθιά νευρωνικά δίκτυα τύπου gan (generative adversarial network) |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12240 |
work_keys_str_mv |
AT andrianakosgeōrgios synthesēeikonōnaposkycameramebathianeurōnikadiktyatypougangenerativeadversarialnetwork AT andrianakosgeōrgios skycameraimagesyntesisusinggangenerativeadversarialnetworksdeepneuralnetworks |
_version_ |
1771297193254191104 |