GERACAO DE IMAGENS ARTIFICIAIS PARA AUMENTO DE DADOS UTILIZANDO REDES ADVERSARIAS GENERATIVAS.
Resumo
Este projeto de pesquisa teve como foco a aplicação de Redes Generativas Adversárias (GANs) como uma técnica para a geração de imagens sintéticas com o propósito de enriquecer conjuntos de dados. A pesquisa avaliou a qualidade, diversidade e fidelidade das imagens geradas por diversas arquiteturas de GANs em quatro bases de dados amplamente reconhecidas: MNIST, Fashion MNIST, EMNIST Letters e CelebA. Cinco arquiteturas de GANs foram treinadas, incluindo GAN Simples, DCGAN, WGAN-GP, SNGAN e uma combinação de WGAN-GP + SNGAN. Posteriormente, as imagens sintéticas geradas foram empregadas para o aumento dos conjuntos de dados, com o objetivo de avaliar o impacto dessa técnica na performance de Redes Neurais Convolucionais (CNNs) em tarefas de classificação. Os resultados obtidos demonstraram que as diferentes arquiteturas de GANs tiveram um impacto positivo na geração de imagens sintéticas, com a combinação WGAN- GP + SNGAN apresentando resultados sólidos e superiores aos outros modelos. Além disso, o aumento dos conjuntos de dados por meio da inclusão de imagens sintéticas exibiu melhorias consistentes nas métricas avaliativas dos modelos de classificação utilizando as CNNs, especialmente quando os conjuntos de imagens apresentam uma maior variabilidade e generabilidade de informações.
