Ciência da Computação

URI Permanente desta comunidade

https://repositorio.fei.edu.br/handle/FEI/342

Navegar

Navegando Ciência da Computação por Autor "ALEXANDRE KENJY DE SIQUEIRA KUMAGAI"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    GERAÇÃO DE IMAGEM A PARTIR DE SENTENÇA DESCRITIVA
    (2020-06-17) AUGUSTO TUROLLA; MATEUS DAVI SILVA; IGOR DO NASCIMENTO ALVES; ALEXANDRE KENJY DE SIQUEIRA KUMAGAI
    Com o avanço tecnológico, sobretudo nas áreas de Inteligência Artificial(IA), Processa- mento de Linguagem Natural(PLN) e Aprendizado Profundo existem expectativas promissoras para futuras tarefas que a computação possivelmente será capaz de realizar. Muitos trabalhos realizados ao longo desta década tem utilizado redes neurais para resolver problemas que po- dem ser solucionados seguindo as técnicas de IA, tendo alcançado excelentes avanços na área. Um destes problemas é o da capacidade da computação de ilustrar contextos diversos. Alguns exemplos deste problema estão relacionados à indústria da literatura, cinematografia e de jogos ou de criar cenas para áreas comercial e publicitária. Avanços significativos que surgiram no campo das redes neurais e PLN são os assistentes pessoais que estão cada vez mais presentes no nosso cotidiano. Neste trabalho, é proposto um modelo capaz de gerar imagens a partir de sentenças textuais. Para construir o modelo é utilizada uma rede neural para gerar imagens, cha- mada de rede generativa adversarial(GAN), que foi treinada utilizando o dataset MS COCO, que são bases de dados de imagem e meta-dados que descrevem os objetos e cenários contidos nas imagens, e funções de ativação diferentes das utilizadas habitualmente, com o objetivo de superar o estado da arte. As contribuições são: (i) Um estudo sobre a influência da aplicação das diferentes funções de ativação sobre o modelo generativo adversarial; (ii) um modelo pré- treinado de Redes Neurais Generativas Adversariais, para gerar imagens de ambientes urbanos artificiais através de sentenças descritivas de cenas urbanas; e (iii) a disponibilização de um da- taset para treinamentos com modelos urbanos. O projeto obteve sucesso em gerar imagens que se assemelham ao contexto urbano apresentando uma assertividade de 27% através da função ReLU como ativadora da rede neural. Em conjunto, é apresentado também uma comparação da geração de imagens urbanas e outro tipo de imagens a partir de um espaço amostral com menor riqueza de detalhes, como flores.