Estensione a due stadi di modelli VAE per la generazione di immagini

Trentin, Matteo (2019) Estensione a due stadi di modelli VAE per la generazione di immagini. [Laurea], Università di Bologna, Corso di Studio in Informatica [L-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Creative Commons: Attribuzione - Non commerciale - Non opere derivate 3.0 (CC BY-NC-ND 3.0)

Download (1MB)

Abstract

Una particolare applicazione delle tecniche di deep learning riguarda la generazione di nuovi contenuti, come ad esempio audio o immagini; un approccio popolare a questo campo consiste nei Variational Autoencoder, o VAE. In questa tesi vengono inizialmente presentati alcuni concetti base di deep learning e spiegato il funzionamento dei VAE; successivamente viene analizzato un miglioramento recentemente proposto in letteratura a questo tipo di modello, il Two-Stage VAE, e ne vengono verificati i vantaggi dal punto di vista della qualità generativa; viene poi mostrata una possibile e originale estensione condizionale al Two-Stage VAE, con relativi risultati sperimentali su due diversi dataset.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Trentin, Matteo
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Variational Autoencoder,Deep learning,Fréchet Inception Distance,Two-Stage VAE,Reti neurali
Data di discussione della Tesi
16 Ottobre 2019
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^