Dissertação

Deep Energy Networks for Data Completion EVALUATED

Os modelos baseados em energia podem ser usados de forma natural para lidar com dados omissos. Quando comparadas com outras abordagens baseadas em energia, as Structured Prediction Energy Networks (SPENs) simplificam consideravelmente o treino. Isto deve-se ao facto de elas poderem ser treinadas de maneira end-to-end para uma classe alargada de funções de energia. Nesta dissertação, adaptamos as SPENs de forma a gerar dados em falta, numa abordagem que também suporta máscaras arbitrárias. Mostramos que, numa tarefa de geração de letras em falta num conjunto de dados de fontes tipográficas, que preparamos a partir de recursos disponíveis online, este algoritmo tem um desempenho significativamente melhor do que um algoritmo com estrutura de codificador automático. Nesta abordagem, devido à forma funcional das redes de energia consideradas, modelamos directamente dependências entre qualquer componente dos dados, independentemente de estes fazerem parte dos valores de entrada ou de saída. Para além disso, ao contrário de experiências anteriores com SPENs, não foi necessário usar uma rede de inicialização separada, sendo apenas necessário um passo de inferência para obter bons resultados. O código desenvolvido está disponível online e pode ser aplicado a outras tarefas de preenchimento de dados.
Deep Learning, Modelos Baseados em Energia, Structured Prediction Energy Networks, Preenchimento de Imagens

Julho 2, 2021, 0:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Maria da Conceição Esperança Amado

Departamento de Matemática (DM)

Professor Auxiliar

ORIENTADOR

Bruno Emanuel Da Graça Martins

Departamento de Engenharia Informática (DEI)

Professor Auxiliar