Derin evrişimli çekişmeli üretici ağlar ile yüz görüntülerinin üretimi
| dc.authorid | 0009-0008-8140-0554 | |
| dc.contributor.advisor | Ertuğrul, Ömer Faruk | |
| dc.contributor.author | Çiçekli, Nizamettin | |
| dc.date.accessioned | 2024-08-13T05:47:28Z | |
| dc.date.available | 2024-08-13T05:47:28Z | |
| dc.date.issued | 2024-02-18 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Bilgi Teknolojileri Anabilim Dalı | |
| dc.description.abstract | Bu çalışmada ilkel insandan günümüze kadar bilginin artışı, nesiller arası aktarımı ve bu sürecin büyük veriye dönüşümü incelenmiştir. Aynı zamanda yapay zekanın tarihsel gelişimi, yapay sinir ağlarının yapısı, derin öğrenme, derin öğrenme katmanları ve derin öğrenme modelleri gibi konular ayrıntılı bir şekilde ele alınmıştır. Bunun yanı sıra görüntü oluşturma modellerinden biri olan ve derin öğrenmenin bir alt dalı olan çekişmeli üretici ağlar hakkında detaylı bilgiler sunulmuştur. Çekişmeli üretici ağların tarihsel süreci, yapılan akademik çalışmalar, gelişimi ve akademik literatüre katkıları titizlikle araştırılmıştır. Özellikle çekişmeli üretici ağların görüntü oluşturma alanında en iyi modellerinden biri olan DEÇÜA modeli ayrıntılı bir şekilde incelenmiştir. DEÇÜA modelini oluşturan üretici ağın yapısı, matematiksel yöntemleri ve deneylerde kullanılan fonksiyonları ile birlikte kayıp fonksiyonu değerleri üzerinde yoğun bir çalışma yapılmıştır. Ayrıca çekişmeli üretici ağların ikinci bileşeni olan ayırıcı ağın yapısı, işlevleri, matematiksel yöntemleri ve deneylerde kullanılan fonksiyonları detaylı bir şekilde ele alınmıştır. Deney ortamında kullanılan kütüphaneler, GPU, işlemci, dil işleme editörleri ve Google Colab ortamı dikkatlice incelenmiştir. Sentetik görüntüler üretmek için en yaygın olarak kullanılan veri setleri özenle seçilmiştir. Bu çalışmada iki farklı türde dört veri seti kullanılmıştır. İlk olarak vektör tabanlı görüntüler içeren Cartoonset10k ve Anime Face veri setleri dikkatlice seçilmiş ve detaylı bir şekilde analiz edilmiştir. İkinci olarak piksel tabanlı görüntüler içeren Animal Face ve CelebaFace veri setleri ayrıntılı bir şekilde incelenmiştir. Her bir veri seti üzerinde gerçekleştirilen deneylerde belirli aralıklarla tekrarlanan eğitim süreçleri sonucunda elde edilen 8x8 boyutundaki görüntüler aşama aşama kaydedilmiştir. Bu elde edilen en iyi görüntüler, veri setlerinde rastgele seçilen resimlerle karşılaştırılarak detaylı bir şekilde değerlendirilmiştir. Üretici ağ ile ayırıcı ağın Nash dengesine göre kayıp-kazanç değerleri, matematiksel ve grafiksel yöntemler kullanılarak elde edilmiştir. | |
| dc.description.abstract | In this study, the increase of knowledge from primitive man to the present day, its intergenerational transfer and the transformation of this process into big data are examined. At the same time, topics such as the historical development of artificial intelligence, the structure of artificial neural networks, deep learning, deep learning layers and deep learning models are discussed in detail. In addition, detailed information is presented about adversarial generative networks, which is one of the image generation models and a sub-branch of deep learning. The historical process of contentious productive networks, academic studies, their development and contributions to academic literature have been meticulously researched. In particular, the DCGAN model, which is one of the best models in the field of image generation of adversarial generative networks, has been examined in detail. An intensive study has been carried out on the structure of the generative network that forms the DCGAN model, its mathematical methods and the functions used in the experiments, as well as the loss function values. In addition, the structure, functions, mathematical methods and functions of the discriminator network, which is the second component of adversarial generator networks, and the functions used in the experiments are discussed in detail. The libraries, GPU, processor, language processing editors and Google Colab environment used in the experimental environment were carefully examined. The most commonly used datasets to generate synthetic images have been carefully selected. Four data sets of two different types were used in this study. First, Cartoonset10k and Anime Face datasets containing vector-based images were carefully selected and analyzed in detail. Secondly, Animal Face and CelebaFace datasets containing pixel-based images were examined in detail. In the experiments carried out on each data set, the 8x8 images obtained as a result of the training processes repeated at regular intervals were recorded step by step. These best images were evaluated in detail by comparing them with randomly selected images in the data sets. Loss-gain values of the generating network and the discriminator network according to Nash equilibrium were obtained using mathematical and graphical methods. | |
| dc.identifier.citation | Çiçekli, N. (2024). Derin evrişimli çekişmeli üretici ağlar ile yüz görüntülerinin üretimi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4630 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Ayırt Edici Ağ | |
| dc.subject | Çekişmeli Üretici Ağlar | |
| dc.subject | Derin Evrişimli Çekişmeli Ağlar | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Üretici Ağ | |
| dc.subject | Yapay Sinir Ağları | |
| dc.subject | Yapay Zekâ | |
| dc.subject | Discriminative Network | |
| dc.subject | Adversarial Generative Networks | |
| dc.subject | Deep Convolutional Adversarial Networks | |
| dc.subject | Deep Learning | |
| dc.subject | Generative Network | |
| dc.subject | Artificial Neural Networks | |
| dc.subject | Artificial Intelligence | |
| dc.title | Derin evrişimli çekişmeli üretici ağlar ile yüz görüntülerinin üretimi | |
| dc.title.alternative | Generation of face images using deep convolutionary advertising generative networks | |
| dc.type | Master Thesis |
