Um estudo comparativo sobre redes adversárias generativas

Leão, Eduardo Tavares; Figueiredo, Rodrigo  Carvalho de

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/19797

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Silva, João Carlos Pereira da	-
dc.contributor.author	Leão, Eduardo Tavares	-
dc.contributor.author	Figueiredo, Rodrigo Carvalho de	-
dc.date.accessioned	2023-03-02T17:56:23Z	-
dc.date.available	2023-12-21T03:09:51Z	-
dc.date.issued	2022-08-29	-
dc.identifier.uri	http://hdl.handle.net/11422/19797	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	inteligência artificial	pt_BR
dc.subject	aprendizado de máquina	pt_BR
dc.subject	redes neurais	pt_BR
dc.subject	modelos generativos	pt_BR
dc.title	Um estudo comparativo sobre redes adversárias generativas	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/9413102524215939	pt_BR
dc.contributor.referee1	Menasche, Daniel Sadoc	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/9931198850020140	pt_BR
dc.contributor.referee2	Paixão, João Antônio Recio da	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/5705386762324718	pt_BR
dc.description.resumo	Redes Adversárias Generativas (Generative Adversarial Networks - GANs) são uma classe de arquiteturas de redes neurais artificiais cujo objetivo é a descoberta e aprendizado de padrões em conjuntos de dados, a fim de gerar novos exemplos únicos que sejam indistinguíveis de amostras obtidas desse conjunto. Este trabalho tem como objetivo apresentar esses tipos de redes e, particularmente, três diferentes arquiteturas: GAN, CGAN e DCGAN. É feita uma análise comparativa dos seus desempenhos a partir de um experimento base de geração de imagens com o conjunto de dados MNIST, utilizando tanto métricas quantitativas quanto qualitativas. São então propostas algumas mudanças de arquitetura e hiperparâmetros com o próposito de melhorar o desempenho dessas redes na tarefa em questão, que correspondem a: variações no tamanho do vetor latente, uso de camadas de dropout e adição de ruído no modelo discriminador. Por fim, são apresentados os resultados obtidos em experimentos após a adoção de cada modificação, mostrando que, em alguns casos, foram eficazes em aprimorar a qualidade das amostras geradas pelas redes, de acordo com as métricas estabelecidas.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
ETLeao.pdf		1.83 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository