Název:
Simulace projevu kožního onemocnění s využitím GAN
Překlad názvu:
Simulation of Skin Diseases Effect Using GAN
Autoři:
Bak, Adam ; Goldmann, Tomáš (oponent) ; Kanich, Ondřej (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2021
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
Cieľom tejto diplomovej práce je vygenerovanie datasetu syntetických snímkov odtlačkov prstov, ktoré vykazujú známky kožných ochorení. Práca sa zaoberá poškodením spôsobeným kožnými ochoreniami v odtlačkoch prstov a generovaním syntetických odtlačkov prstov. Odtlačky prstov s prejavom kožných ochorení boli generované s využitím modelu založeného na Wasserstein GAN s penalizáciou gradientu. Na trénovanie GAN modelu bola použitá unikátna databáza odtlačkov prstov s prejavom kožných ochorení vytvorená na FIT VUT. Daný model bol trénovaný na troch typoch kožných ochorení: atopický ekzém, psoriáza a dyshidrotický ekzém. Sieť generátoru z natrénovaného WGAN-GP modelu bola použitá na vygenerovanie datasetov syntetických odtlačkov prstov. Tieto syntetické odtlačky boli porovnané s reálnymi odtlačkami s využitím NFIQ a FiQiVi nástrojov na určenie kvality spoločne s porovnaním rozložení lokácií a orientácii markantov v snímkoch odtlačkov prstov.
The aim of this master's thesis is to generate a dataset of synthetic fingerprint images that display symptoms of skin disease. The thesis deals with damage caused by skin disease in the fingerprint images and synthetic fingerprint generation. The diseased fingerprints are generated using a model based on Wasserstein GAN with gradient penalty. A unique diseased fingerprint database created at FIT BUT was used for training of the GAN model. The model was trained on three types of skin disease: atopic eczema, psoriasis vulgaris and dyshidrotic eczema. The generator network of the trained WGAN-GP model was used to generate datasets of synthetic fingerprint images. The synthetic images were compared with real fingerprint images using the NFIQ and FiQiVi quality assessment tools and by comparing minutiae location and minutiae orientation distributions in the fingerprint images.
Klíčová slova:
convolutional neural networks; fingerprint generation; fingerprints; GAN; generative adversarial network; Python; PyTorch ; skin disease; synthetic fingerprints; GAN; generatívne adversariálne siete; generovanie odtlačkov prstov; konvolučné neurónové siete; kožné ochorenia; odtlačky prstov; Python; PyTorch; syntetické odtlačky prstov
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/200193