Erzeugung realistischer Trainingsdaten mit generativen Neuronalen Netzen

Abstract

Machine Learning ist in der heutigen Zeit nicht mehr wegzudenken. Ein Teilbereich ist dabei das Unsupervised Learning, welche in dieser Arbeit in Verbindung mit generativen neuronalen Netzwerken angewendet wird. Jeder Teilbereich des Machine Learnings hat dabei eines gemeinsam: jedes neuronale Netz braucht Trainings-daten. Gerade in dem Bereich der Bildverarbeitung kommt es umso häufiger vor, dass Datensätze nicht vorhanden oder unausreichend sind für das Training eines robusten Models. In dieser Arbeit geht es darum, mit Hilfe von verschiedenen GAN-Architekturen, synthetische Datensätze zu generieren. Diese generierten Datensätze könnten vom großen Nutzen sein um weitere Machine Learning Modelle zu trainieren, optimieren und robuster zu machen. Immer im Blick soll dabei die Erzeugung von realistsch aussehenden Daten im Vordergrund stehen. Über die Grundlagen, die Hyperparameter beim Training bis zum Effekt von der Beschaffenheit der Datensätze beim Training von GANs werden verschiedene Aspekte, Erkenntnisse und Methoden vorgestellt um realistische Daten zu generieren. Dabei wird auch ein weiterer Ansatz über die Computergrafik mit der Anwendung von BlenderProc in dieser Arbeit angesprochen. Als möglichen Ansatz für die Erzeugung der Daten mit generativen Netzen ist die Image-to-Image Methode gewählt worden, welches ein Teilgebiet des Styletransfers von Bildern ist. Die Idee hierbei ist es herauszufinden ob Bilder aus einer bestimmten Style-Domain in realistische Bilder umgewandelt werden können. Die dabei zu vergleichenden Architekturen sind die von CycleGAN und StyleGAN. Beide Architekturen sind State-of-the-Art Methoden und haben verschiedene Ansätze für die Realisierung des Prozesses. Über die Implementierung beider Modelle in Verbindung mit dem monet2photo Datensatz, wird festgestellt ob das Ziel der synthetischen Erzeugung von Daten möglich ist und welche Architektur dafür besser geeignet ist.

Machine Learning has become an integral part of this world. Unsupervised learning in conjunction with generative neural networks is part of this thesis. Every area of machine learning does have something in common: every neural network needs datasets for training. There is a problem of finding fitting datasets in order to train stable models especially in parts of image processing. This thesis is about generating synthetic datasets together with generative adversarial networks, so called GANs. Those generated datasets could be a real benefit for training other machine learning models while optimizing and stabilizing them. Always in mind there should be the fact of generating realistic looking data. Therefore this thesis covers the basics, the hyperparameters when training and the effect of datasets of GANs. Another approach is given through the area of computer graphics via BlenderProc. The used approach in this thesis for generating data with GANs is the image-to-image method, which is a part of image style transfer. The idea is to translate images from a specific style-domain into realistic looking images. Furthermore the architecture of CycleGAN and StyleGAN are compared in this work. Both architectures are state-of-the-art methods and have different approaches of realizing this problem. With the implementation of both models combined with the monet2photo dataset it is proofed whether the goal of generating synthetic realistic looking data is possible and which one is more suitable to do so.