| KEYWORD |
Reti antagoniste generative per l'adattamento del divario tra immagini sintetiche e reali
Tesi esterna in azienda
Parole chiave GAN, GANS, GENERATIVE ADVERSARIAL NETWORKS
Riferimenti BARTOLOMEO MONTRUCCHIO
Riferimenti esterni Enrico Busto enrico.busto@add-for.com
Gruppi di ricerca GR-09 - GRAphics and INtelligent Systems - GRAINS
Tipo tesi RICERCA
Descrizione Imparare da una minima supervisione umana possibile e' una grande sfida nell'apprendimento automatico. Nel contesto della visione artificiale, il Deep Learning e' una classe di algoritmi di apprendimento supervisionato che richiedono una grande quantita' di immagini e che devono essere classificati dall'uomo per essere addestrati [1]. Un'opportunita' per ridurre la quantita' necessaria di classificazione umana a' offerta da un set di dati sintetici, in cui la procedura di classficazione e' a zero costi. Il problema con l'introduzione di set di dati sintetici a' il divario con le immagini reali.
Le Generative Adversarial Networks (GAN) [2, 3] sono una classe di reti neurali profonde in grado di generare dati sintetici con la stessa distribuzione di un set di dati di destinazione. Sono stati applicati ad aree molto diverse con risultati eccellenti, dalla generazione di immagini facciali realistiche alla nuvola di punti 3d [4].
Lo scopo di questa tesi e' di studiare la possibilita' di utilizzare le GAN per coprire il divario di dominio tra immagini reali e sintetiche [5]. L'obiettivo e' sviluppare un algoritmo che minimizzi la quantita' di dati reali etichettati necessari per addestrare una rete neurale profonda target ottenendo la migliore precisione di classificazione.
VEDI ANCHE:
[1] Deep Learning
http://neuralnetworksanddeeplearning.com/
[2] Generative Adversarial Networks
https://arxiv.org/abs/1406.2661
[3] Wasserstein GAN
https://arxiv.org/pdf/1701.07875.pdf
[4] The GAN Zoo
https://github.com/hindupuravinash/the-gan-zoo
[5] SPIGAN: Privileged Adversarial Learning from Simulation
https://openreview.net/pdf?id=rkxoNnC5FQ
Conoscenze richieste Competenza in almeno uno dei seguenti linguaggi di programmazione, Python, Lua, Matlab, C ++, Java;
conoscenza base di Machine Learning, in particolare dell'apprendimento controllato;
Buona conoscenza dell'algebra lineare.
Scadenza validita proposta 01/06/2020
PROPONI LA TUA CANDIDATURA