| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava
Prva stran > Izpis gradiva

Izpis gradiva Pomoč

Naslov:Preslikava stila satelitskih posnetkov s pomočjo generativnih nasprotniških nevronskih mrež : magistrsko delo
Avtorji:ID Lakič, Mitja (Avtor)
ID Karakatič, Sašo (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Lakic_Mitja_2023.pdf (5,49 MB)
MD5: 262610C6311F9D19594707D6611DE0E6
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:V magistrskem delu raziskujemo problematiko preslikave stila satelitskih posnetkov z uporabo generativnih nasprotniških nevronskih mrež (GAN). Najprej predstavimo osnovno strukturo nevronskih mrež, nato podrobneje opišemo generativne modele. Namen magistrskega dela je preveriti učinkovitost teh modelov pri preslikavi satelitskih posnetkov v stil zemljevida, kjer primerjamo dva različna GAN modela, in sicer Pix2Pix, ki spada med pogojne modele, in CycleGAN, ki je predstavnik cikličnih modelov. V okviru eksperimenta primerjamo pridobljene rezultate z uporabo teh modelov, kjer smo tudi preizkusili preslikavo v obratni smeri, torej iz zemljevida v stil satelitskega posnetka. Rezultati so pokazali, da je mogoče satelitske posnetke uspešno preslikati v stil zemljevida, kjer pogojni modeli na splošno zagotavljajo boljše rezultate, vendar so zelo odvisni od arhitekture omrežja. Magistrsko delo zaključimo z analizo rezultatov in odgovori na raziskovalna vprašanja.
Ključne besede:generativne nasprotniške mreže, globoko učenje, preslikava stila, satelitski posnetki, zemljevidi
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[M. Lakič]
Leto izida:2023
Št. strani:1 spletni vir (1 datoteka PDF (X, 92 f.))
PID:20.500.12556/DKUM-83843 Novo okno
UDK:004.032.26+004.85(043.2)
COBISS.SI-ID:151855619 Novo okno
Datum objave v DKUM:28.03.2023
Število ogledov:612
Število prenosov:114
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
LAKIČ, Mitja, 2023, Preslikava stila satelitskih posnetkov s pomočjo generativnih nasprotniških nevronskih mrež : magistrsko delo [na spletu]. Magistrsko delo. Maribor : M. Lakič. [Dostopano 5 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=83843
Kopiraj citat
  
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:21.02.2023

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Transferring the style of satellite images using generative adversarial neural networks
Opis:In the master's thesis, we investigate the problem of transferring the style of satellite images using generative adversarial neural networks (GANs). First, we present the basic structure of neural networks, and then we describe generative models in more detail. The purpose of the master's thesis is to verify the effectiveness of these models in transferring satellite images into a map style, where we compare two different GAN models, namely Pix2Pix, which belongs to conditional models, and CycleGAN, which is a representative of cyclic models. As part of the experiment, we compare the results obtained using these models, where we also tested the style transfer in the reverse direction, that is, from a map to the style of a satellite image. The results showed that satellite imagery can be successfully transferred into a map style, where conditional models generally provide better results but are highly dependent on the network architecture. The master's thesis concludes with an analysis of the results and answers to the research questions.
Ključne besede:generative adversarial networks, deep learning, style transfer, satellite imagery, maps


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici