Search results for "CycleGAN"
showing 2 items of 2 documents
Using deep learning to generate synthetic B-mode musculoskeletal ultrasound images
2020
Background and objective\ud Deep learning approaches are common in image processing, but often rely on supervised learning, which requires a large volume of training images, usually accompanied by hand-crafted labels. As labelled data are often not available, it would be desirable to develop methods that allow such data to be compiled automatically. In this study, we used a Generative Adversarial Network (GAN) to generate realistic B-mode musculoskeletal ultrasound images, and tested the suitability of two automated labelling approaches.\ud \ud Methods\ud We used a model including two GANs each trained to transfer an image from one domain to another. The two inputs were a set of 100 longitu…
Apmācības datu paplašināšana
2019
Maģistra darba tēma “Apmācības datu paplašināšana” izraudzīta, ņemot vērā tās aktualitāti un daudzos iespējamos pielietojumus. Savā darbā autore pētījusi attēlu neuzraudzītu nepārisku ciklisku kartēšanu no viena domēna uz otru, ņemot par pamatu Zhu u.c. autoru izveidotu cikliska pretinieku tīkla CycleGAN modifikāciju LSGAN [58]. Par vienu kartējamo kopu izraudzīta Beļģijas ceļazīmju attēlu kopa, par otru – minētās kopas attēlu kontūras. Aplūkota iespēja ģenerēt trūkstošus datus, jo, lielajiem datiem mūsdienās kļūstot par normu, šī problēma var kļūt par izaicinājumu. Maģistra darbs izpildīts Elektronikas un datorzinātņu institūtā 2019. g.