| Název: | Evaluation of Image Synthesis for Automotive Purposes |
| Další názvy: | Evaluace syntézy obrázků pro účely automobilového průmyslu |
| Autoři: | Diviš, Václav Hrúz, Marek |
| Citace zdrojového dokumentu: | DIVIŠ, V., HRÚZ, M. Evaluation of Image Synthesis for Automotive Purposes. In: 5th International Conference, ICR 2020, St Petersburg, Russia, October 7-9, 2020, Proceedings. Cham: Springer, 2020. s. 67-77. ISBN 978-3-030-60336-6, ISSN 0302-9743. |
| Datum vydání: | 2020 |
| Nakladatel: | Springer |
| Typ dokumentu: | konferenční příspěvek preprint conferenceObject preprint |
| URI: | 2-s2.0-85092929201 http://hdl.handle.net/11025/42723 |
| ISBN: | 978-3-030-60336-6 |
| ISSN: | 0302-9743 |
| Klíčová slova: | Generative Adversarial sítě;rozšíření databáze obrázků;BigGAN;SAGAN;WGAN;databáze dopravního značení |
| Klíčová slova v dalším jazyce: | Generative Adversarial Networks;Image dataset extension;BigGAN;SAGAN;WGAN;Traffic signs dataset |
| Abstrakt: | Cílem tohoto článku je vyhodnotit syntézu obrázků realizovanou pomocí Generative Adversarial sítí (podmíněný Wasserstein GAN a GAN se sebe pozorností) na databázy obrázků dopravního značení. V experimentech se zaměřujeme na generování obrázků s rozlišením 64x64 pixelů a na schopnost GANů zachytit strukturální a geometrické vzory. Trénujeme čtyři různé architektury GANů, abychom zdůraznili problémy trénování, jako jsou mód kolapsu, mizející gradienty a výslednou všrnost obrázků. Pro porovnání s ostatními pracemi používáme vzdálenost Frechet Inception. V závěru adresujeme význam vyhodnocování na databázy pro automobilový průmysl, jako rovněž návrh dalších vylepšění. |
| Abstrakt v dalším jazyce: | The aim of this article is to evaluate a state of the art image synthesis carried out via Generative Adversarial Networks (conditional Wasserstein GAN and Self Attention GAN) on a traffic signs dataset. For the experiment, we focused on generating images with a 64×64-pixel resolution as well as on the GAN’s ability to capture structural and geometric patterns. Four different GAN architectures were trained in order to highlight the difficulties of the training, such as collapse mode, vanishing gradient and resulting image fidelity. The Frechent Inception Distance is compared with other state of the art results. The importance of evaluating on automotive datasets as well as additional wishes for further improvements are addressed at the end of this article. |
| Práva: | Plný text není přístupný. © Springer |
| Vyskytuje se v kolekcích: | Preprinty / Preprints (NTIS) Preprinty / Preprints (KKY) Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| SPECOM_2020_GAN_Article.pdf | 1,06 MB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii | |
| Diviš-Hrúz2020_Chapter_EvaluationOfImageSynthesisForA.pdf | 2,59 MB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/42723Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.