دانلود پایان نامه تولید تصویر از طریق استخراج ویژگی و یادگیری با استفاده از یک رویکرد یادگیری عمیق

1. مقدمه 2. پیشینه 3. روش 4. مروری بر مقالات 5. طراحی و پیاده سازی 6. بحث و بررسی 7. نتیجه گیری و کارهای آتی

چکیده – با پیشرفت های اخیر، تولید تصویر با ورود مدل های «هوش مصنوعی» (AI) قوی تر، بیش از پیش ممکن شده است. ایده و توانایی تولید تصاویر ناموجود که به تصاویر دنیای واقعی بسیار شبیه هستند، برای بسیاری از موارد کاربردی، جالب است. تصاویر تولید شده را می توان برای مثال جهت تقویت، تعمیم یا جایگزینی مجموعه داده های حقیقی جهت آموزش دادن مدل های AI، مورد استفاده قرار داد، بنابراین قادر به کمینه سازی هزینه ها برای گردآوری داده ها و فرآیندهای مشابه هستند. یادگیری عمیق، که رشته ای فرعی در زمینه AI است در پیشگاه چنین روش هایی قرار گرفته است که این امر بخاطر ماهیت توانایی آن در استخراج و یادگیری داده های بسیار پیچیده و غنی از ویژگی می باشد. این کار، بر رویکردهای یادگیری مولد عمیق در کاربرد جنگلداری با هدف تولید تصاویر نهایی کنده های درخت جهت بهبود یک مدل AI که از چنین تصاویری استفاده می کند، تمرکز می کند. این رویکرد نه تنها هزینه های گردآوری داده ها برای این مدل را کاهش می دهد، بلکه همچنین هزینه مدل های استخراج اطلاعات بسیار دیگر در زمینه جنگلداری را کاهش می دهد. این پایان نامه، شامل پژوهش در مورد پیشرفت ها در زمینه مدل سازی مولد عمیق و آزمایش های تجربی با استفاده از یک پایپ لاین کامل از یک مرحله مدل سازی مولد عمیق تا یک مدل تشخیص انتهای کنده درخت، می باشد. علاوه بر آن، یک معماری و الگوریتم نمونه گیری تصویر برای افزودن به این پایپ لاین و ارزیابی عملکرد آن، پیشنهاد شده اند. آزمایش های تجربی و یافته ها نشان می دهند که رویکردهای مدل مولد بکار گرفته شده، یادگیری ویژگی خوبی از خود نشان می دهد اما در تولید کیفیت بالا و واقع بینانه کمبود دارد و در نتیجه باعث بدست آمدن نتایج تارتر می شود. رویکرد پیشنهادی، یادگیری ویژگی قدری بهتر به ازای کیفیت تولید، حاصل کرده است. الگوریتم نمونه گیری پیشنهادی ثابت کرده است که عملکرد خوبی از لحاظ کیفی دارد. مسائل مشاهده شده در مدل های مولد بیشتر در آموزش مدل تشخیص گسترش پیدا می کنند و در نتیجه باعث می شوند بهبود مدل AI دیگر براساس داده های کاملاً تولید شده در این نقطه از پژوهش، غیرممکن شود. نتایج این پژوهش نشان می دهند که کار بیشتری برای بهبود کاربرد و کیفیت تولید تصویر لازم است تا بیشتر شبیه به داده های دنیای واقعی شوند، بگونه ای که مدل های دیگر را بتوان براساس داده های مصنوعی آموزش داد. رویکرد پیشنهاد بهبود زیادی حاصل نکرد و یافته های آن با اثبات نقاط قوت و نقاط ضعف آن مثل الگوریتم نمونه گیری تصویر پیشنهادی، در مجموعه مقالات مشارکت می کنند. در آخر اینکه، این مطالعه، نقطه آغازین خوبی برای پژوهش در این زمینه فراهم، برای جهت های پژوهشی و فرصت های مختلف برای کارهای آتی، محسوب می شود.

With recent advancements, image generation has become more and more possible with the introduction of stronger generative artificial intelligence (AI) models. The idea and ability of generating non-existing images that highly resemble real world images is interesting for many use cases. Generated images could be used, for example, to augment, extend or replace real data sets for training AI models, therefore being capable of minimising costs on data collection and similar processes. Deep learning, a sub-field within the AI field has been on the forefront of such methodologies due to its nature of being able to capture and learn highly complex and feature-rich data. This work focuses on deep generative learning approaches within a forestry application, with the goal of generating tree log end images in order to enhance an AI model that uses such images. This approach would not only reduce costs of data collection for this model, but also many other information extraction models within the forestry field. This thesis study includes research on the state of the art within deep generative modelling and experiments using a full pipeline from a deep generative modelling stage to a log end recognition model. On top of this, a variant architecture and image sampling algorithm are proposed to add in this pipeline and evaluate its performance. The experiments and findings show that the applied generative model approaches show good feature learning, but lack the high-quality and realistic generation, resulting in more blurry results. The variant approach resulted in slightly better feature learning with a trade-off in generation quality. The proposed sampling algorithm proved to work well on a qualitative basis. The problems found in the generative models propagated further into the training of the recognition model, making the improvement of another AI model based on purely generated data impossible at this point in the research. The results of this research show that more work is needed on improving the application and generation quality to make it resemble real world data more, so that other models can be trained on artificial data. The variant approach does not improve much and its findings contribute to the field by proving its strengths and weaknesses, as with the proposed image sampling algorithm. At last this study provides a good starting point for research within this application, with many different directions and opportunities for future work.