MiG

Dorian Wachsmann

LabelGAN: Generierung realistischer, gelabelter Daten mithilfe eines Generativen Adversativen Netzwerkes

Betreuer: Tim Landgraf , Raúl Rojas
Abschluss: Bachelor of Science (B.Sc.)
Abgabedatum: 23.06.2017

Kurzbeschreibung

Generative Adversative Netze (GAN) gelten als eine der spannendsten und vielversprechendsten neuen Ansätze beim Deep Learning. GAN bieten eine Möglichkeit, auf Basis ungelabelter Daten neue Daten zu generieren.  Diese Arbeit liefert eine Erweiterung dieses Ansatzes dahingehend, gezielt Bilder auf Basis von festgelegten Labels zu generieren. Die generelle Umsetzbarkeit wird auf dem MNIST-Datensatz präsentiert, während die wahre Herausforderung in der Generierung realistischer, gelabelter Gesichter liegt.  Damit verbundene Probleme werden diskutiert, die Unterschiedlichkeit zum MNIST Ansatz erläutert, sowie verschiedene Ansätze zur Lösung aufgezeigt und evaluiert.