Local cover image
Local cover image

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

By: Contributor(s): Material type: TextTextPublication details: 2021Description: 1 archivo (8,5 MB) : il. colSubject(s): Online resources:
Contents:
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
Dissertation note: Tesina (Licenciatura en Informática) - Universidad Nacional de La Plata. Facultad de Informática, 2021.
Star ratings
    Average rating: 0.0 (0 votes)
Holdings
Item type Home library Collection Call number URL Status Date due Barcode
Tesis de posgrado Tesis de posgrado Biblioteca de la Facultad de Informática TES 21/19 (Browse shelf(Opens below)) Available DIF-04980
Tesis de posgrado Tesis de posgrado Biblioteca de la Facultad de Informática Biblioteca digital Link to resource No corresponde
Tesis de posgrado Tesis de posgrado Biblioteca de la Facultad de Informática Biblioteca digital Link to resource No corresponde

Tesina (Licenciatura en Informática) - Universidad Nacional de La Plata. Facultad de Informática, 2021.

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

Click on an image to view it in the image viewer

Local cover image