Redes GANs como técnica de data augmentation para el reconocimiento de lengua de señas

Mostrar todas las versiones(2)
Detalles Bibliográficos
Autor Principal: Gaggiotti, William
Otros autores o Colaboradores: Ronchetti, Franco (Director/a)
Formato: Tesis
Lengua:español
Datos de publicación: 2021
Temas:
APRENDIZAJE AUTOMÁTICO
TECNOLOGÍAS PARA PERSONAS CON DISCAPACIDADES
GENERACIÓN DE IMÁGENES
RECONOCIMIENTO Y CLASIFICACIÓN
aprendizaje profundo
redes generativas adversarias (GANs)
lengua de señas
data augmentation
Acceso en línea:http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2354
Consultar en el Cátalogo
Descripción Física:1 archivo (8,5 MB) : il. col.
Tabla de Contenidos:
  • 1. Introducción
  • 1.1. Resumen
  • 1.2. Motivación
  • 1.3. Objetivos
  • 1.4. Organización de la tesis
  • 2. Aprendizaje Automático
  • 2.1. Modelos de regresión
  • 2.1.1. Función de costo error cuadrático medio(MSE)
  • 2.1.2. Aprendizaje de parámetros
  • 2.1.3. Descenso del gradiente (SGD)
  • 2.2. Modelos de clasificación
  • 2.2.1. Regresión logística
  • 2.2.2. Función de costo entropía cruzada
  • 2.3. Aprendizaje profundo
  • 2.3.1. Redes neuronales
  • 2.3.2. Funciones de activación
  • 2.3.3. Forward-Propagation/Backward-Propagation
  • 2.4. Redes neuronales convolucionales
  • 2.4.1. Capas convolucionales
  • 2.4.2. Capas de pooling
  • 2.4.3. Normalización por lotes
  • 2.5. Aumento de datos
  • 3. Redes Generativas Adversarias
  • 3.1. Función de costo en Redes Generativas Adversarias
  • 3.2. Entrenamiento
  • 3.3. Dificultades para entrenar GANs
  • 3.3.1. No convergencia
  • 3.3.2. Gradientes que desaparecen
  • 3.3.3. Colapso modal
  • 3.3.4. Muestras generadas por la GAN original
  • 3.4. Wasserstein GAN
  • 3.4.1. La distancia Wasserstein
  • 3.4.2. Continuidad de Lipschitz
  • 3.4.3. Conseguir que f sea 1-Lipschitz
  • 3.4.4. Muestras generadas por WGAN-SN original
  • 3.5. GAN Condicional
  • 3.5.1. Normalización por Lotes Condicional
  • 3.6. GAN de Auto-atención
  • 3.6.1. Capas de Auto-atención en SAGAN
  • 3.6.2. Comentarios finales sobre SAGAN
  • 3.6.3. Muestras generadas por SAGAN original
  • 3.7. BigGAN
  • 3.7.1. Muestras generadas por BigGAN original
  • 3.8. GAN para Aumento de Datos
  • 3.8.1. Muestras generadas por DAGAN original
  • 3.9. Métricas de evaluación en GANs
  • 3.9.1. Puntuación Inception (IS)
  • 3.9.2. Distancia Inception de Fréchet (FID)
  • 3.9.3. Prueba de la paradoja del cumpleaños en GANs
  • 4. Lengua de Señas
  • 4.1. Clasificación de gestos
  • 4.2. Conjunto de datos de lengua de señas
  • 4.2.1. LSA64
  • 4.2.2. ASL Finger Spelling Dataset
  • 4.2.3. RWTH-PHOENIX-Weather
  • 4.3. Estado del arte
  • 5. Experimentos
  • 5.1. GANs en LSA16
  • 5.1.1. GAN Básica
  • 5.1.2. WCGAN en LSA16
  • 5.1.3. BigGAN en LSA16
  • 5.1.4. Agunos comentarios sobre DAGAN en LSA16
  • 5.2. GANS en ASL Finger Spelling
  • 5.2.1. WCGAN en ASL
  • 5.2.2. BigGAN en ASL
  • 5.2.3. DAGAN en ASL
  • 5.3. Discusión
  • 6. Conclusiones y trabajos futuros
  • 6.1. Conclusiones
  • 6.2. Trabajos futuros
  • Bibliografı́a

Ejemplares similares