Redes GANs como técnica de data augmentation para el reconocimiento de lengua de señas
Material type:
Item type | Home library | Collection | Call number | URL | Status | Date due | Barcode | |
---|---|---|---|---|---|---|---|---|
![]() |
Biblioteca de la Facultad de Informática | TES 21/19 (Browse shelf(Opens below)) | Available | DIF-04980 | ||||
![]() |
Biblioteca de la Facultad de Informática | Biblioteca digital | Link to resource | No corresponde | ||||
![]() |
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