Image-to-image domain translation using CycleGAN

Abstract

[CA] Els últims avanços en el camp de les xarxes neuronals han portat al’auge de les xarxes generatives, les quals necessiten grans quantitats de dades per a entrenar-se. Aquestes dades moltes vegades existeixen en formats que no s’ajusten als requisits dels models d’aprenentatge supervisat. Això porta al camp de l’aprenentatge no supervisat, on els models poden treballar amb una varietat mes àmplia de conjunts de dades. En aquest treball s’aborda la capacitat d’un model d’aprenentatge no supervisat per a traslladar imatges entre dominis i la capacitat d’adaptació en conjunts de dades amb diferents classes dins de cada domini.

[ES] Los últimos avances en el campo de las redes neuronales han llevado al auge de las redes generativas, las cuales necesitan grandes cantidades de datos para entrenarse. Estos datos muchas veces existen en formatos que no se ajustan a los requisitos de los modelos de aprendizaje supervisado. Esto lleva al campo del aprendizaje no supervisado, donde los modelos pueden trabajar con una variedad mas amplia de conjuntos de datos. En este trabajo se aborda la capacidad de un modelo de aprendizaje no supervisado para trasladar imágenes entre dominios y la capacidad de adaptación en conjuntos de datos con distintas clases dentro de cada dominio.

[EN] In recent years, advances in the field of neural networks have led to the rise of generative networks, which require large amounts of data to train. This data often exists in formats that do not fit the requirements of supervised learning models. This leads to the field of unsupervised learning, where models can work with a wider variety of datasets. This work addresses the ability of an unsupervised learning model to translate images between domains and the ability to adapt on datasets with different classes within each domain.