(Luận văn) nghiên cứu mô hình generative adversarial networks và ứng dụng trong chuyển đổi ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN NGUYỄN DUY NAM ANH a lu n va n NGHIÊN CỨU MƠ HÌNH GENERATIVE p ie gh tn to ADVERSARIAL NETWORKS VÀ ỨNG DỤNG TRONG CHUYỂN ĐỔI ẢNH d oa nl w Mã số : 8.48.01.01 f an nv a lu Chuyên ngành : Khoa học máy tính oi lm ul at nh z Ngƣời hƣớng dẫn: TS LÊ XUÂN VINH z om l.c gm @ an Lu n va ac th si LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn thạc sỹ chuyên ngành Khoa học máy tính, tên đề tài “Nghiên cứu mơ hình Generative adversarial networks ứng dụng chuyển đổi ảnh” cơng trình nghiên cứu, tìm hiểu trình bày thực hướng dẫn khoa học TS Lê Xuân Vinh, Trường Đại học Quy Nhơn Kết tìm hiểu, nghiên cứu luận văn hồn tồn trung thực, a lu n khơng vi phạm điều luật sở hữu trí tuệ pháp luật Việt Nam n va Nếu sai, hoàn toàn chịu trách nhiệm trước pháp luật Tất tài liệu, tn to báo, khóa luận, cơng trình nghiên cứu tác giả khác sử dụng lại p ie gh luận văn dẫn tường minh tác giả có danh mục tài liệu tham khảo oa nl w Bình Định, ngày 15 tháng năm 2021 d Tác giả luận văn f an nv a lu oi lm ul Nguyễn Duy Nam Anh at nh z z om l.c gm @ an Lu n va ac th si LỜI CẢM ƠN Trước tiên, xin gửi lời biết ơn sâu sắc đến người thầy TS Lê Xuân Vinh dành nhiều thời gian tâm huyết hướng dẫn thực luận văn tốt nghiệp Sự tận tình hướng dẫn thầy nguồn động viên lớn suốt thời gian tìm hiểu, nghiên cứu hồn thành luận văn a lu Xin cảm ơn quý thầy, cô giáo khoa Công nghệ thông tin, trường n Đại học Quy Nhơn nơi tơi theo học hồn thành chương trình cao học n va nhiệt tình giảng dạy giúp đỡ p ie gh tn to Và cuối xin cảm ơn gia đình, bạn bè, đồng nghiệp động viên, ủng hộ suốt thời gian học tập, nghiên cứu hoàn thành luận văn oa nl w Xin chân thành cảm ơn Bình Định, ngày 15 tháng năm 2021 d f an nv a lu Tác giả luận văn oi lm ul at nh Nguyễn Duy Nam Anh z z om l.c gm @ an Lu n va ac th si MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC TỪ VIẾT TẮT v DANH MỤC HÌNH VẼ vi MỞ ĐẦU a lu CHƢƠNG 1: TỔNG QUAN VỀ HỌC MÁY n 1.1 Giới thiệu va n 1.1.1 Khái niệm .5 p ie gh tn to 1.1.2 Ứng dụng học máy 1.1.3 Phân loại phương pháp học máy 1.1.4 Các bước toán học máy oa nl w 1.2 Mạng Neural 10 1.2.1 Mơ hình nơron nhân tạo .10 d nv a lu 1.2.2 Mơ hình mạng nơron nhân tạo 11 f an 1.2.3 Quy tắc delta 12 oi lm ul 1.2.4 Thuật toán lan truyền ngược 14 1.3 Deep Learning 20 at nh 1.3.1 Khái niệm 20 z 1.3.2 Cấu trúc mạng CNN 21 z gm @ 1.4 Kết luận chương .25 om l.c CHƢƠNG 2: MƠ HÌNH GENERATIVE ADVERSARIAL NETWORKS (GAN) 26 2.1 Giới thiệu chung 26 an Lu 2.2 Kiến trúc GAN 27 n va ac th si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 2.2.1 Generator 29 2.2.2 Discriminator .30 2.3 Hàm tối ưu 30 2.4 Quá trình huấn luyện 32 2.5 Mơ hình Pix2Pix ứng dụng toán chuyển đổi ảnh 33 2.5.1 Mơ hình Pix2pix 33 2.5.2 Kiến trúc pix2pix 34 2.5.3 Hàm tối ưu 39 a lu 2.6 Kết luận chương .41 n 3.1 Giới thiệu phân tích tốn 42 n va CHƢƠNG 3: ỨNG DỤNG GAN TRONG BÀI TOÁN CHUYỂN ĐỔI ẢNH 42 p ie gh tn to 3.2 Xây dựng chương trình thử nghiệm 43 3.3 Kiểm tra đánh giá kết .54 oa nl w 3.4 Kết luận chương .57 KẾT LUẬN 58 d DANH MỤC TÀI LIỆU THAM KHẢO 59 f an nv a lu oi lm ul at nh z z om l.c gm @ an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an DANH MỤC CÁC TỪ VIẾT TẮT Nguyên mẫu Chữ viết tắt Diễn giải Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng nơ-ron nhân tạo CNN Convolutional Neural Network Mạng nơ-ron tích chập GAN Generative Adversarial Networks Mạng sinh đối nghịch Machine Learning Học máy AI ML a lu n n va p ie gh tn to d oa nl w f an nv a lu oi lm ul at nh z z om l.c gm @ an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an DANH MỤC HÌNH VẼ Hình 1.1: Sơ đồ kiến trúc mạng CNN 21 Hình 1.2: Ví dụ lọc tích chập sử dụng ma trận điểm ảnh 22 Hình 1.3: Trường hợp thêm/khơng thêm viền trắng vào ảnh tích chập 23 Hình 1.4: Phương thức Avarage Pooling Max Pooling 24 Hình 2.1: Sơ đồ kiến trúc mạng GAN 27 Hình 2.2: Mơ tả chức Generator Descriminator 28 Hình 2.3: Sơ đồ kiến trúc generator 29 Hình 2.4: Sơ đồ kiến trúc Discriminator 30 a lu Hình 2.5: Ví dụ mơ hình pix2pix tốn chuyển từ ảnh vẽ (draft) sang ảnh màu n đầy đủ giày 33 n va Hình 2.6: Kiến trúc down sampling upsampling 34 tn to Hình 2.7: Generator pix2pix 35 p ie gh Hình 2.8: Mơ hình generator pix2pix 36 Hình 2.9: Mơ hình discriminator pix2pix 36 oa nl w Hình 2.10: Giả sử hình ảnh chia thành k×k patches 38 Hình 2.11: Sơ đồ tổng quát kiến trúc lớp CNN áp dụng patch 70x70 PatchGAN 39 d a lu Hình 3.1: Hình ảnh mẫu từ tập liệu 43 f an nv Hình 3.2: Hình ảnh dịch từ ảnh phác thảo sang thật Pix2Pix sau 50 epochs 52 Hình 3.3: Hình ảnh dịch từ ảnh phác thảo sang thật Pix2Pix tập huấn luyện ul oi lm 54 Hình 3.4: Hình ảnh dịch từ ảnh phác thảo sang ảnh hồn chỉnh 54 at nh Hình 3.5: Biểu đồ tổn thất phân biệt (disc_loss) 55 z Hình 3.6: Biểu đồ tổn thất tạo với hình ảnh nguồn ( gen_gan_loss) 56 z Hình 3.7: Biểu đồ tổn thất tạo với hình ảnh tạo (gen_l1_loss) 56 @ om l.c gm Hình 3.8: Biểu đồ tổng tổn thất tạo phân biệt (gen_total_loss) 56 an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an MỞ ĐẦU Lý chọn đề tài Ngày nay, trí tuệ nhân tạo (AI) ứng dụng ngày nhiều lĩnh vực khác nhau, từ việc phục vụ đời sống hàng ngày người giáo dục, tài ngân hàng, y tế… Ứng dụng thực tế trí tuệ nhân tạo giúp nâng cao hiệu suất lao động, cải thiện chất lượng a lu sống người, đem đến hội tăng trưởng kinh tế, phát triển kinh n doanh cho doanh nghiệp Và tảng nhiều ứng n va dụng dịch vụ tương lai p ie gh tn to Machine Learning (Học máy) tập AI Machine learning giúp máy tính có khả tự học hỏi dựa liệu đưa vào mà khơng phải lập trình cách rõ ràng Những năm gần đây, mà khả tính tốn oa nl w máy tính ngày nâng cao lượng liệu khổng lồ thu d thập cách dễ dàng, Machine Learning ngày phát triển lĩnh nv a lu vực đời gọi Deep Learning (Học sâu) Deep Learning giúp f an máy tính thực thi việc tưởng chừng vào 10 năm trước: oi lm ul phân loại ngàn vật thể khác ảnh, tự tạo thích cho ảnh, bắt chước giọng nói chữ viết người, giao tiếp với người, at nh hay chí sáng tác văn thơ hay âm nhạc, z Để giải số toán đặt ra, xuất mô z gm @ hình Generative Adversarial Networks (GAN) cung cấp số phương om l.c pháp mơ hình giải nhiều toán lĩnh vực học sâu GAN giúp chuyển đổi tự động ảnh đen trắng thành an Lu ảnh màu hay từ vẽ thô sơ thành vẽ hoàn chỉnh, GAN sử dụng rộng rãi có nhiều ứng dụng thực tế minh họa cho việc máy tính có n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an thể thay người cơng việc mang tính sáng tạo tự động vẽ tranh, vẽ phim hoạt hình, sáng tác nhạc, Những ứng dụng hấp dẫn kỹ thuật thúc chọn “Nghiên cứu mơ hình Generative Adversarial Networks ứng dụng chuyển đổi ảnh” làm đề tài luận văn thạc sĩ khoa học máy tính Tổng quan tình hình nghiên cứu đề tài GAN giới thiệu lần Ian Goodfellow đồng nghiệp qua báo cáo khoa học vào năm 2014 [2] Vào thời kì đầu, a lu n người tập trung vào chức phát sinh liệu GAN Sau đó, tiềm n va GAN khai thác nhiều nhờ mà GAN sử dụng p ie gh tn to nhiều lĩnh vực khác Một số kết nghiên cứu tiêu biểu như: Tero Karras [3] nghiên cứu phương pháp đào tạo GAN cho phép cải tạo chất lượng hình oa nl w ảnh, phương pháp cho phép tạo hình ảnh khn mặt nhân tạo mà khó phân biệt với người thật ngày cải thiện chất lượng hình d nv a lu ảnh Grigory Antipov [4] đề xuất phương pháp để dự báo lão f an hóa khn mặt người dựa điều kiện tuổi tác Dựa khn mặt oi lm ul tại, mơ hình GAN sinh biến thể theo độ tuổi người Để hỗ trợ người thiết kế nhân vật hoạt hình, Yanghua Jin at nh cộng [5] xây dựng mơ hình GAN giúp tạo hình ảnh khn mặt nhân z vật hoạt hình cách tự động Phillip Isola [6] nghiên cứu mơ hình GAN z có điều kiện giải pháp cho vấn đề dịch từ ảnh sang ảnh Cùng @ gm ảnh chụp quang cảnh, GAN tạo bối cảnh khác om l.c trời tối/trời sáng, ban ngày/ban đêm, thay đổi theo mùa,… Han Zhang [7] nghiên cứu việc tổng hợp hình ảnh chất lượng cao từ mô tả văn an Lu Trong báo này, tác giả đề xuất mơ hình StackGAN để tạo hình ảnh n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an thực tế 256x256 với điều kiện dựa mô tả văn Rui Huang [8] nghiên cứu việc tổng hợp góc nhìn từ khn mặt có nhiều ứng dụng lĩnh vực nhận dạng khn mặt Christian Ledig [9] trình bày SRGAN cho hình ảnh siêu phân giải Việc có khả tạo hình ảnh rõ nét gấp lần ban đầu Mục đích nhiệm vụ nghiên cứu - Nghiên cứu ý tưởng, cấu trúc mơ hình, thuật tốn sử dụng mơ hình GAN a lu - Cài đặt chương trình thử nghiệm chuyển đổi ảnh phác thảo thành ảnh n n va hoàn chỉnh tn to Đối tƣợng phạm vi nghiên cứu p ie gh 4.1 Đối tƣợng nghiên cứu: Nghiên cứu sở lý thuyết thuật toán GAN oa nl w 4.2 Phạm vi nghiên cứu: Ứng dụng GAN việc chuyển đổi ảnh d nv a lu Phƣơng pháp nghiên cứu f an Phương pháp nghiên cứu đề tài lý thuyết kết hợp với thực nghiệm oi lm ul Quá trình tiến hành dựa việc tìm hiểu tài liệu, cài đặt thử nghiệm sau đánh giá kết thực nghiệm at nh 6.Ý nghĩa khoa học thực tiễn z - Nghiên cứu làm chủ việc xây dựng mơ hình GAN, áp dụng z gm @ giải lớp toán, đặc biệt toán chuyển đổi ảnh - Thử nghiệm tập liệu mẫu giày, dép Kết sở cho nghiên cứu khác tương lai an Lu Bố cục luận văn: Gồm chương: om l.c nghiên cứu lý thuyết kết hợp thực nghiệm trình bày n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 46 ảnh giày, dép phác thảo) tạo ảnh đích (ví dụ ảnh giày, dép thật) Nó thực điều cách lấy mẫu xuống mã hóa hình ảnh đầu vào xuống lớp nút cổ chai, sau lấy mẫu giải mã biểu diễn nút cổ chai thành kích thước hình ảnh đầu Kiến trúc U-Net có nghĩa kết nối bỏ qua thêm vào lớp mã hóa lớp giải mã tương ứng, tạo thành hình chữ U Để thực mơ hình trình tạo mã hóa giải mã U-Net Chúng xây dựng hàm def downsample() để tạo khối lớp cho mã hóa a lu hàm def upsample() để tạo khối lớp cho giải mã Chúng xác định: n n va Các chức mã hóa (downsample) bao gồm: Một lớp Conv2D  Một lớp optional BatchNorm p ie gh tn to   Tiếp theo chức kích hoạt LeakyReLU, với độ dốc ( slope) 0,2 oa nl w Các chức giải mã (upsample) bao gồm: Một lớp Conv2DTranspose  Một lớp optional BatchNorm  Một lớp optional Dropout, với drop_probability = 0,5  Tiếp theo chức kích hoạt ReLU, với độ dốc (slope )= 0,2 d  f an nv a lu oi lm ul Trọng số lớp Convolution chức mã hóa giải mã khởi tạo từ phân phối đồng đều, với giá trị trung bình mean=0 độ lệch at nh chuẩn standard-deviation = 0,02 khơng có độ lệch (bias) sử dụng z Tiếp theo xây dựng UNET Generator, bao gồm mã z gm @ hóa (downsample) giải mã (upsample) dựa kết nối bỏ qua Chúng om l.c xử lý trước xác định lớp đầu vào với hình dạng [256,256,3], hình dạng hình ảnh mà an Lu Chúng tiến hành xây dựng mã hóa thơng qua hàm def downsample(), sau: n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 47 Các lớp mã hóa xác định danh sách lớp hình ảnh [256, 256, 3] cung cấp làm đầu vào, lấy mẫu theo hệ số lần gọi hàm khối mẫu xuống tổng cộng lần, đạt đến nút cổ chai có kích thước [1, 1, 512] Tất lớp Conv2D:  Sử dụng kernel_size= 4, với bước trượt (stride) hai  Khi đầu vào khối mẫu xuống (downsample block ) giảm nửa (theo chuỗi-chập (strided-convolution)), feature maps tăng a lu gấp đôi, 64 tăng lên 512 nút cổ chai n  Lớp Batchnorm sử dụng tất trừ khối mẫu xuống n va (downsample block) tn to p ie gh Chúng tiến hành xây dựng giải mã thông qua hàm def upsample(), sau: Các lớp giải mã xác định đầu có kích thước nút cổ oa nl w chai [1,1,512] lấy làm đầu vào, lấy mẫu (upsampled) thêm theo hệ số khối lấy mẫu ( upsample block) Tổng cộng có lệnh gọi hàm d Chúng sử dụng lớp Conv2DTranspose, với kernel_size = oi lm ul  f an Trong giải mã: nv a lu upsample nút cổ chai lên kích thước [128,128, 128] khoảng cách hai (lấy mẫu thêm hai lớp) Tiếp theo lớp BatchNorm chức kích hoạt ReLU, với lớp at nh  z dropout 1-3 khối mẫu (upsample blocks) Lớp giải mã cuối cuối nâng cấp đầu z @   om l.c thước [256,256,3] gm [128,128,128] từ khối mẫu (upsample block) lên thành hình ảnh có kích Để lấy hình ảnh (RGB) làm đầu ra, chúng tơi sử dụng ba lọc an Lu filters (OUTPUT_CHANNELS), với kernel_size = strides = n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 48  Tanh chức kích hoạt cho lớp cuối liệu chuẩn hóa phạm vi [-1, 1] Bây chúng tơi hồn tất việc xác định cấu trúc mã hóa giải mã mình, để tiến hành đào tạo generator cần phải lặp lại lệnh down_stack up_stack Trong lặp qua phần tử danh sách down_stack sử dụng lệnh nối đầu phần tử danh sách qua hàm skips() Đây bước quan trọng giúp thực kết nối bỏ qua a lu lớp mã hóa giải mã Chỉ đảo ngược thứ tự n lớp đầu mã hóa ghép nối với lớp cuối giải mã n va ngược lại p ie gh tn to Sau đó, chúng tơi lặp lại danh sách up_stack, nén với danh sách bỏ qua (cả hai có phần tử nhau, tức 7) Khi lặp lại phần tử, kết đầu lấy mẫu nối với phần tử từ danh sách Skips oa nl w Như vậy, xây dựng xong chức tạo (the generator), chúng tơi thực tính tốn tổn thất tạo phân biệt d a lu Xác định tổn thất tạo phân biệt nv f an Mơ hình phân biệt đào tạo trực tiếp hình ảnh thực ul oi lm tạo, mơ hình trình tạo khơng Thay vào đó, mơ hình tạo đào tạo thơng qua mơ hình phân nh at biệt Nó cập nhật để giảm thiểu tổn thất phân biệt dự đốn cho z hình ảnh tạo đánh dấu “thực ” Vì vậy, khuyến khích để z @ gm tạo nhiều hình ảnh thực Bộ tạo cập nhật để giảm thiểu tổn thất om l.c L1 sai số tuyệt đối trung bình hình ảnh tạo hình ảnh đích Bộ tạo cập nhật thơng qua tổng có trọng số tổn thất đối an Lu nghịch tổn thất L1, chúng tơi đề xuất trọng số từ 100 đến có lợi cho tổn thất L1 Điều để khuyến khích trình tạo mạnh mẽ hướng tới n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 49 việc tạo dịch hợp lý hình ảnh đầu vào, khơng hình ảnh hợp lý miền đích Các chức generator_loss đưa bốn thơng số: disc_generated_output: Dự đoán đầu từ phân biệt,  cung cấp hình ảnh tạo tạo  gen_output: Hình ảnh tạo tạo  target: Hình ảnh Ground-truth cho đầu vào cung cấp cho tạo a lu real_labels: Nhãn Ground-truth (1) Bởi chúng tơi muốn tạo tạo n n va hình ảnh thực cách đánh lừa người phân biệt, nhãn tn to Bộ phân biệt cập nhật theo cách độc lập, trọng số sử p ie gh dụng lại mơ hình tổng hợp đánh dấu khơng thể đào tạo Mơ hình tổng hợp cập nhật với hai mục tiêu, mục tiêu oa nl w hình ảnh tạo thực (mất mát chéo), buộc cập nhật trọng lượng lớn trình tạo để tạo hình ảnh thực dịch thực thực thi d hình ảnh, so sánh với đầu mơ hình tạo (tổn thất L1) a lu f an nv Sự mát phân biệt trung bình real_loss generated_loss Tổn thất Binary Cross-Entropy sử dụng oi lm ul  real_loss tính tốn dự đốn thực (khi hình ảnh thực fake_loss tổn thất tính tốn dự đốn giả (khi hình ảnh z  at nh cung cấp cho phân biệt) real_labels = z gm @ tạo tạo cung cấp cho phân biệt) fake_labels = om l.c Sau hoàn thành việc xây dựng tính tổn thất tạo phân biệt, chúng tơi cung cấp hình ảnh phác thảo nguồn làm đầu vào số hình ảnh q trình đào tạo an Lu cho mơ hình sử dụng để dự đốn hình ảnh giày, dép thật Sau đó, vẽ n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 50 Tạo hình ảnh: Để thực tạo hình ảnh chúng tơi tiến hành bước: Đầu tiên, truyền hình ảnh từ thử nghiệm sang tạo Sau tạo dịch hình ảnh đầu vào thành đầu Cuối cùng, chúng tơi vẽ biểu đồ nguồn, hình ảnh tạo hình ảnh mục tiêu mong đợi thông qua hàm def generate_images() #def generate_images(model, test_input, tar): Chức gọi với hình ảnh nguồn, hình ảnh a lu tạo hình ảnh mục tiêu chúng tơi Khi chạy kết chọn hình n n va ảnh ngẫu nhiên từ tập liệu đào tạo, dịch sang ảnh giày, dép thật vẽ Kết thay đổi chất ngẫu nhiên thuật toán quy p ie gh tn to biểu đồ kết so với hình ảnh mong đợi trình đánh giá, khác biệt độ xác số Chúng xem xét chạy oa nl w kết vài lần so sánh kết trung bình Cuối cùng, chúng tơi đào tạo mơ hình đào tạo phân biệt d a lu Đào tạo mơ hình: nv f an Để thực đào tạo mơ hình, chúng tơi thực bước: Đầu tiên, ul oi lm chúng tơi xác định ví dụ đầu vào tạo đầu Bộ phân biệt nhận input_image hình ảnh tạo làm đầu vào Đầu vào thứ nh at hai input_image target_image Tiếp theo, tính tốn tạo tổn thất z phân biệt Sau đó, tính tốn mức độ mát liên quan đến biến trình z @ gm tạo biến phân biệt (đầu vào) áp dụng chúng cho trình tối ưu hóa om l.c Chúng xây dựng hàm train_step () thực điều này, lấy trình tạo, phân biệt, mơ hình tổng hợp xác định tập liệu tải làm đầu vào an Lu Mỗi bước đào tạo trước tiên bao gồm việc chọn loạt ví dụ thực, n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 51 sau sử dụng trình tạo để tạo loạt mẫu giả phù hợp cách sử dụng hình ảnh nguồn thực Bộ phân biệt sau cập nhật hàng loạt ảnh thật sau ảnh giả Tiếp theo, mơ hình tạo cập nhật cung cấp hình ảnh nguồn thực làm đầu vào cung cấp nhãn lớp (thực) hình ảnh đích thực làm đầu dự kiến mơ hình cần thiết để tính tốn tổn thất Bộ tạo có hai điểm tổn thất điểm tổng có trọng số trả Ở đây, tổng tổn thất mơ hình tổng tổn thất tạo phân biệt Chúng sử a lu dụng công cụ TensorBoard.dev Tensorflow để cập nhật tham số n n va mơ hình tn to Thơng thường, mơ hình GAN khơng hội tụ; thay vào đó, điểm p ie gh cân tìm thấy mơ hình tạo phân biệt Như vậy, khơng thể dễ dàng đánh giá nên dừng việc đào tạo Do oa nl w đó, chúng tơi lưu mơ hình sử dụng để tạo dịch mẫu từ ảnh sang ảnh theo định kỳ trình đào tạo, chẳng hạn sau 20 d epochs a lu f an nv Sau đó, chúng tơi xem lại hình ảnh tạo kết thúc trình đào tạo sử dụng chất lượng hình ảnh để chọn mơ hình cuối oi lm ul Để làm điều vòng lặp đào tạo thực tế, xây at nh dựng hàm def fit() thực bước: Lặp lại số lượng epochs Tại z epochs: xóa hình chạy generate_images để hiển thị tiến trình Tại z epochs: lặp qua tập liệu huấn luyện, in dấu chấm ( ) để biểu thị tiến gm @ trình cho ví dụ an Lu Def fit(train_dataset, EPOCHS, test_dataset) om l.c Cuối cùng, chúng tơi thực chạy vịng lặp đào tạo lệnh: n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 52 Chúng tơi nhận thấy rằng: Hình ảnh tạo sau khoảng 50 epochs đào tạo bắt đầu trơng thực tế, có nghĩa, chất lượng dường tốt phần cịn lại q trình đào tạo Hình ảnh tạo ngồi bên phải; hình ảnh giày, dép thực a lu n n va p ie gh tn to Hình 3.2: Hình ảnh đƣợc dịch từ ảnh phác thảo sang thật Pix2Pix sau 50 epochs Cuối cùng, để đánh giá kết tạo số hình ảnh oa nl w cách sử dụng thử nghiệm: d # Run the trained model on a few examples from the test set a lu for inp, tar in test_dataset.take(6): f an nv generate_images(generator, inp, tar) oi lm ul Kết huấn luyện mô hình: at nh z z om l.c gm @ an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 53 a lu n n va p ie gh tn to d oa nl w f an nv a lu oi lm ul at nh z z om l.c gm @ an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 54 Hình 3.3: Hình ảnh đƣợc dịch từ ảnh phác thảo sang thật Pix2Pix tập huấn luyện a lu n 3.3 Kiểm tra đánh giá kết va n Sau huấn luyện Pix2Pix tập liệu huấn luyện, hiển tn to thị bên thử nghiệm tập liệu xác thực thử nghiệm, tạo p ie gh Pix2Pix cố gắng cải thiện kết đưa dự đốn trơng giống ảnh thật Hình ảnh giày, dép tạo nhìn thực tế, chất lượng cải ràng d oa nl w thiện Các đường viền chi tiết vị trí màu sắc giày, dép nhìn rõ nv a lu Cuối cùng, thử lại kết mơ hình cách sử dụng f an hình ảnh phác thảo giầy, dép để đánh giá hiệu mơ hình, kết oi lm ul cho thấy chất lượng hình ảnh tạo thực tế mong đợi at nh z z om l.c gm @ an Lu Hình 3.4: Hình ảnh đƣợc dịch từ ảnh phác thảo sang ảnh hoàn chỉnh n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 55 Để kiểm tra trình xử lý liệu tính tốn tổn thất mơ hình, sử dụng TensorBoard.dev để kiểm tra kết lần chạy trước TensorBoard.dev cơng cụ quản lý sử dụng để lưu trữ, theo dõi chia sẻ thử nghiệm mơ hình Các kết cho thấy: a lu n n va p ie gh tn to oa nl w Hình 3.5: Biểu đồ tổn thất phân biệt (disc_loss) d f an nv a lu oi lm ul at nh z z om l.c gm @ an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 56 Hình 3.6: Biểu đồ tổn thất tạo với hình ảnh nguồn ( gen_gan_loss) a lu n va n Hình 3.7: Biểu đồ tổn thất tạo với hình ảnh đƣợc tạo (gen_l1_loss) p ie gh tn to d oa nl w f an nv a lu oi lm ul at nh z Hình 3.8: Biểu đồ tổng tổn thất tạo phân biệt (gen_total_loss) z gm @ Việc diễn giải ghi từ mô hình GAN tinh tế mơ hình Từ đường cong tổn thất hình 3.5 3.6 , rõ ràng tổn an Lu  om l.c Biểu đồ cho thấy: phân loại(regression model) hồi quy đơn giản (simple classification) thất phân biệt tổn thất tạo là đối nghịch Điều có n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 57 nghĩa gen_gan_loss disc_loss thấp dấu hiệu cho thấy mơ hình thống trị mơ hình q trình đào tạo mơ hình chưa tốt khơng thành cơng  Giá trị log(2) = 0.69 điểm tham chiếu tốt cho tổn thất này, disc_loss có giá trị 0.69 nghĩa phân biệt hoạt động tốt so với tạo, tập hợp kết hợp hình ảnh thực tạo Ngược lại, tạo làm tốt việc đánh lừa phân biệt  Tuy nhiên, trình đào tạo tiến triển, thấy tổn a lu thất tạo hình 3.7 giảm dần, có nghĩa tạo hình ảnh tốt n n va quản lý để đánh lừa phân biệt tn to  Ở hình 3.8, vào khoảng epochs thứ 130, thấy tổng tổn thất p ie gh tạo phân biệt chạm đáy dần tăng trở lại, điều nhiều yếu tố khác Một lý là, phân biệt đào tạo, thay oa nl w đổi mát tạo Nó báo hiệu q trình đào tạo kết thúc tạo cải thiện thêm sau epochs hay d 3.4 Kết luận chương f an nv a lu nói cách khác hình ảnh tạo tốt oi lm ul Chuyển đổi từ hình ảnh sang hình ảnh cách sử dụng mơ hình GAN có điều kiện Giải pháp cụ thể xây dựng mơ hình pix2pix ứng at nh dụng tốn chuyển đổi ảnh trình bày chương z Kết sau huấn luyện mô hình từ ảnh phác thảo giày, dép sang z đổi trình đào tạo om l.c gm @ ảnh thực chất lượng hình ảnh thu cải thiện tiếp tục thay an Lu n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 58 KẾT LUẬN Qua thời gian học tập, nghiên cứu hoàn thành luận văn, đạt kết sau: Thứ nhất, nghiên cứu kiến thức bản, phổ quát vấn đề học máy như: khái niệm, ứng dụng, phân loại, bước để xây dựng chương trình học máy, tập trung mô tả mạng Neural Chúng nhận thấy mạng Neural thành phần có liên quan mật thiết tới học sâu sở cho mơ hình học sâu Ngồi ra, chúng tơi khái a lu n quát số kiến thức học sâu mơ hình mạng CNN, n va mơ hình học sâu tiên tiến tn to Thứ hai, nghiên cứu mô hình học máy đặc biệt mơ p ie gh hình GAN, đồng thời chúng tơi tìm hiểu mơ hình Pix2Pix, lớp mơ hình chun biệt cho tác vụ image-to-image translation Kết cho thấy oa nl w mơ hình GAN cách tiếp cận đầy hứa hẹn cho nhiều nhiệm vụ dịch từ ảnh sang ảnh, đặc biệt công việc liên quan đến đầu đồ họa có d nv a lu cấu trúc cao f an Cuối cùng, xây dựng chương trình thử nghiệm liệu oi lm ul edges2shoes Khi huấn luyện mơ hình từ ảnh phác thảo giày, dép sang ảnh thực mô hình pix2pix chất lượng hình ảnh thu cải thiện z vào hình ảnh phác thảo at nh tiếp tục thay đổi trình đào tạo Kết tốt cho liệu đầu z gm @ Điểm hạn chế đề tài là: Chưa xử lý nhiều tập om l.c liệu khác để đánh giá hết khả mơ hình GAN Đánh giá hiệu mơ hình đề cập chưa đầy đủ, vấn đề cần hoàn thành luận văn an Lu kiến thức toán học sâu hơn, hy vọng tiếp tục nghiên cứu sau n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 59 DANH MỤC TÀI LIỆU THAM KHẢO [1] TS Lê Xuân Vinh, “Giáo trình Machine Learning”, Đại học Quy Nhơn [2] Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; WardeFarley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014) Generative Adversarial Networks Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014) pp 2672–2680 a lu n [3] Karras, T., Aila, T., Laine, S., & Lehtinen, J (2018) Progressive n va Growing of GANs for Improved Quality, Stability, and Variation ArXiv, tn to abs/1710.10196 p ie gh [4] G Antipov, M Baccouche and J Dugelay (2017), "Face aging with conditional generative adversarial networks," 2017 IEEE International oa nl w Conference on Image Processing (ICIP), Beijing, 2017, pp 2089-2093, doi: 10.1109/ICIP.2017.8296650 d a lu [5] Jin, Y., Zhang, J., Li, M., Tian, Y., Zhu, H., & Fang, Z (2017) Towards nv f an the Automatic Anime Characters Creation with Generative Adversarial oi lm ul Networks ArXiv, abs/1708.05509 [6] P Isola, J Zhu, T Zhou and A A Efros (2017), "Image-to-Image nh at Translation with Conditional Adversarial Networks," 2017 IEEE Conference z on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, z gm @ pp 5967-5976, doi: 10.1109/CVPR.2017.632 om l.c [7] Zhang, H., Xu, T., & Li, H (2017) StackGAN: Text to Photo-Realistic Image Synthesis with Stacked Generative Adversarial Networks 2017 IEEE an Lu International Conference on Computer Vision (ICCV), 5908-5916 n va ac th Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn si C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn