GANs – REDES ADVERSARIAS GENERATIVAS: definições e aplicações

Julio Cesar  Gomes; Diego Renan  Bruno

doi:10.31510/infa.v20i2.1800

Autores

Julio Cesar Gomes Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil https://orcid.org/0000-0001-6905-6422
Diego Renan Bruno Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil https://orcid.org/0000-0001-6905-6422

DOI:

https://doi.org/10.31510/infa.v20i2.1800

Palavras-chave:

Artificial Neural Networks, Machine Learning, Deep Learning, Aprendizado de Máquina

Resumo

O uso de Redes Adversarias Generativas (Generative Adversarial Networks – GAN) para a descoberta e aprendizado de padrões em conjunto de dados vem trazendo inovação e mudança em diversas aplicações. Elas são modelo que usam duas redes neurais, uma geradora e outra discriminadora, para novos dados que se assemelham a dados originais. Elas aprendem a distribuição de probabilidade dos dados originais e competem entre si para gerar dados de alta qualidade e diversidade. Sua utilização com qualquer tipo de dado permite resultados eficazes nos mais diversos campos, seja da arte, do entretenimento, na análise de dado ou na medicina, sua evolução cresce a cada dia. Esta pesquisa tem por objetivo analisar a Rede Adversaria Generativa (GAN), seus conceitos e desafios em suas aplicações. A pesquisa utilizada foi a bibliográfica, explorando diversos trabalhos científicos acadêmicos. Seus resultados demonstram possibilidades de desenvolvimento das mais variadas ferramentas e aplicação em diversas áreas, tornando esta ferramenta um instrumento promissor de novas tecnologias generativas.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Referências

C. Ledig et al..Photo-realistic single image super-resolution using a generative adversarial network. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Jul. 2017, pp. 105–114. DOI: https://doi.org/10.1109/CVPR.2017.19

DATA SCIENCE ACADEMY. Deep Learning Book. Redes Neurais, 2022. Disponível em: https://www.deeplearningbook.com.br/?s=redes+neurais. Acesso em: 17 Setembro 2023.

DE LA TORRE, JORDI. Redes Generativas Adversarias (GAN) fundamentos teóricos y aplicaciones. Pesquisa. Ph.D. in computer Science (ML/AI). Universitat Oberta de Catalunya, Barcelo, ES. 2023.

FACHIN, Odília. Fundamentos de Metodologia. 5.ed. São Paulo.Saraiva, 2006.

FURTADO, MARIA INÊS VASCONCELLOS. Redes Neurais Artificiais: Uma abordagem para sala de aula. Ponta Grossa, PR: Atena Editora, 2019.

GERHARDT, T. E; SILVEIRA, D. T. Métodos de Pesquisa. 1. ed. Rio Grande do Sul: Editora da UFRGS, 2009.

GIL, A.C. Como elaborar projetos de pesquisa. São Paulo: Atlas, 2002.

GUI, JIE ET AL. A review on generative adversarial networks: Algorithms, theory and application. Journal of latex class files. Vol 14, no. 8, august 2015.

JOANGUETE, C. O poder das mentiras digitais: a ameaça das deepfakes para a sociedade. Editora Dialética. 2023. DOI: https://doi.org/10.48021/978-65-252-9402-5

LEANDRO, J.J.G. Deepfake: explorando técnicas de detecção de manipulação digital de imagens de faces. Monografia. USP-Universidade de São Paulo, São Carlos.2022.

LEÃO, E. T.; FIGUEIREDO, R. C. Um estudo comparativo sobre redes adversárias generativas. Trabalho de conclusão de curso. Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2022.

MARIZ, LUCAS FREITAS. Redes Geradoras Adversárias em geração de imagens. Trabalho de Conclusão de curso. Universidade de Brasília, Brasília, 2023.

MENDES, PEDRO HENRIQUE RODIRGUES. Geração de música polifônica utilizando redes neurais artificiais. Pesquisa científica de pós-graduação. UNICEUB, Centro Universitário de Brasília. Brasília, 2020. DOI: https://doi.org/10.5102/pic.n0.2019.7437

PAN, Zhaoqing; YU, Weijie; YI, Xiaokai; KHAN, Asifullah; YUAN, Feng; ZHENG, Yuhui. Recent Progress on Generative Adversarial Networks (GANs): A Survey. IEEAccess - Open Access Journal, march 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2905015

RODRIGUES, MATEUS FRANCO. Geração de dados sintéticos utilizando redes neurais artificiais. Trabalho de conclusão de curso. Universidade Federal do Ceará, 2021.

REIS, RAFAEL LOPES CONDE DOS. Seleção de portfólios usando redes neurais adversárias generativas para a modelagem do processo estocástico de retornos. Dissertação de mestrado. UFRJ-Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2019.

SANTOS, Jonathan da Silva. Geração e aplicação de imagens sintéticas da região dos olhos para o aumento de performance de técnicas da detecção do estrabismo. Dissertação de Mestrado. Universidade Presbiteriana Mackenzie. São Paulo, 2020.