- Avrupa Bilim ve Teknoloji Dergisi
- Ejosat Special Issue: (ARACONF) Special Issue
- Common Generative Adversarial Network Types and Practical Applications
Common Generative Adversarial Network Types and Practical Applications
Authors : Mehmet Ali Barişkan, Zeynep Orman, Rüya Şamli
Pages : 585-590
Doi:10.31590/ejosat.araconf70
View : 14 | Download : 3
Publication Date : 2020-04-01
Article Type : Research
Abstract :Bu çalışmada ele alınan Generatif Karşılıklı Ağları (Generative Adversarial Networks - GAN), Kısıtlı Boltzmann Makineleri (Restricted Boltzmann Machines - RBM), Derin Boltzmann Makineleri (Deep Boltzmann Machines - DBM) ve Varyasyonel Otomatik Kodlayıcılar (ariational Autoencoders- VAE) gibi genel derin öğrenme algoritmalarının kısıtlamalarının üstesinden gelmek için geliştirilmiş birçok derin öğrenme yöntemi arasında yer almaktadır. GAN modelleri ve yapıları toplanan veri kümelerinden yeni benzersiz veriler oluşturabilir. Bu veri kümeleri kimi zaman binlerce veriden oluşabilir, veri kümelerinin içerisinde farklı türde veriler mevcut olabilir. Bu yöntemlerin varyasyonları, çoğunlukla görüntü restorasyonu ve görüntü oluşturma, sinyal işleme ve siber saldırıların tespiti gibi derin öğrenme uygulamaları için kullanılır. Literatürde pek çok farklı GAN modelleri mevcuttur. Bu çalışmada da, esas olarak En Küçük Kareler Oluşturucu Düşman Ağları (Least Squares Generative Adversarial Networks - LSGAN) ve Derin Konvolüsyonel Üretken Düşman Ağları (Deep Convolutional Generative Adversarial Networks - DCGAN) olarak adlandırılan iki GAN yöntemi üzerine odaklanılmıştır. Bu farklı yöntemler, geleneksel GAN algoritmasının performansını iyileştirmek ve çeşitli problemlerin farklı gereksinimlerini karşılayarak çözmek için geliştirilmişlerdir. Bu çalışmada bu yöntemlerin mimarîleri, kullanılış biçimleri, özellikleri, sayısal tanımlamaları verilmiş ve birbirlerinden farkları açıklanmıştır. Bu çalışmada ayrıca her iki GAN yöntemi (LSGAN ve DCGAN) için de, toplanan verilerden yeni ve benzersiz veriler oluşturmak için kullanılan bu algoritmaların literatürdeki pratik uygulamaları da ele alınmıştır. LSGAN için literatürdeki 5 farklı çalışma, DCGAN için ise literatürdeki 2 farklı çalışma ele alınarak incelenmiştir. Son olarak, bu yöntemlerle elde edilen sonuçlar karşılaştırılmış ve hangi yöntem için hangi uygulamanın kullanılabileceği açıklanmıştır. Araştırmalardan görüldüğü üzere her iki yöntemin de uygulanabileceği problemler birbirinden farklılık göstermektedir.Keywords : Derin Öğrenme, GAN, LSGAN, DCGAN