Memorial de projetos : estudo e aplicações de redes adversárias

Abstract

Resumo: No Aprendizado Profundo (Deep Learning), as Redes Adversárias Generativas (GANs) são formadas pelo treinamento de duas redes neurais. A rede neural geradora (Gerador G) responsável por gerar imagens parecidas com as reais e a rede neural discriminadora (Discriminador D) que verifica se as imagens são reais ou falsas. O Gerador e Discriminador são adversários e um tenta vencer o outro, o objetivo do gerador é enganar o discriminador, e o do discriminador é não ser enganado. As Redes Adversárias Generativas Convolucionais Profundas (DCGANs) foram desenvolvidas para trabalhar com imagens utilizando a arquitetura de Redes Neurais Convolucionais (CNNs) com camadas convolucionais profundas no Discriminador e Gerador nas GANs tradicionais. As DCGANs são eficazes em tarefas de visão computacional, como geração de arte, imagens sintéticas coerentes e na transformação ou melhoria de imagens por meio de aprendizado não supervisionado, se consolidando como uma abordagem promissora no campo da geração de imagens por meio de Aprendizado Profundo

Abstract: In Deep Learning, Generative Adversarial Networks (GANs) are composed of the training of two neural networks. The generator network (Generator G) is responsible for creating images that resemble real ones, while the discriminator network (Discriminator D) verifies whether the images are real or fake. The Generator and Discriminator are adversaries — one tries to outperform the other: the generator aims to fool the discriminator, and the discriminator aims not to be fooled. Deep Convolutional Generative Adversarial Networks (DCGANs) were developed to work specifically with images, incorporating Convolutional Neural Network (CNN) architectures with deep convolutional layers in both the Discriminator and Generator components of traditional GANs. DCGANs are effective in computer vision tasks, such as generating art, producing coherent synthetic images, and transforming or enhancing images through unsupervised learning, establishing themselves as a promising approach in the field of image generation through Deep Learning