dc.contributor.advisor | Downing, Keith | |
dc.contributor.author | Kristiansen, Kevin | |
dc.date.accessioned | 2021-12-07T18:19:35Z | |
dc.date.available | 2021-12-07T18:19:35Z | |
dc.date.issued | 2021 | |
dc.identifier | no.ntnu:inspera:74730513:33168068 | |
dc.identifier.uri | https://hdl.handle.net/11250/2833235 | |
dc.description | Full text not available | |
dc.description.abstract | Generative modeller som implementerer Kunstige nevrale netverk(ANNs) for bildegenerering har sett store fremskritt de siste årene. Generative Adversarial Networks(GANs) er en teknikk som har sett særlig stor utvikling, og har vist gode resultater i stiloverføring. GANs fungerer ved å ha to nevrale netverk med forskjellige mål. Det første netverket, diskriminatoren, har som mål å skille mellom genererte bilder og faktiske bilder, mens det andre netverket, generatoren, har som mål å generere realistiske bilder som vil bli feilklassifisert av diskriminatoren.
Dataaugmentasjon er en metode innen maskinlæring som forsøker å øke datamengden via modifikasjoner i dataen. En måte å gjøre dataaugmentasjon på er å bruke generative modeller til å generere nye dataeksemplarer. Den generiske modellen blir da trent ved å bruke datasettet, før den blir brukt til å generere de nye eksemplarene. Formålet er å minke over-trening, som for klassifiseringsmodeller vil øke ytelsen på ny data.
Dette prosjektet utforsker bruken av GANs innen deteksjon av håndskrevet forfalskning. Dette gjøres via en sykluskonsistent GAN som blir trent opp på eksempler av forfalskede og autentiske signaturer fra en person. Denne GANen blir så brukt til å augmentere datasettet som inneholder forfalskede signaturer. To GAN-implementasjoner, DenseNet GAN og ResNet GAN, ble utforsket for å se om dette kunne ha noe innvirkning på resultatet.
Resultatene viser at bilde augmenteringen med GANs gir en 2-4\% økning i ytelse i våre eksperimenter. Det virket heller ikke på resultatene som at noen av de to GAN implementasjonene som ble implementert var bedre enn den andre. | |
dc.description.abstract | Generative models implementing Artificial Neural Networks(ANNs) for image generation have in the last years seen a lot of progress. Generative Adversarial Networks(GANs) is a framework that has seen particularly great progress and has shown
to be a good method for image stile transferring. GANs are working by having
two competing ANNs with opposing goals. One of the networks, the discriminator, attempts to separate authentic images from generated images, while the other
network, the generator, attempts to generate images that are able to fool the discriminator.
Data augmentation is a method within machine learning that increases the amount
of data through modification of the already existing data. One data augmentation
method that has been researched is using generative models to generate new samples
which look like the original data. The reasoning behind doing data augmentation is
to reduce overfitting in machine learning models, which is a phenomenon where the
model fits the training data too closely, which leads to poor performance on new data
samples.
This project explores the usage of GANs to detect handwritten forgery. This is
done by using a cycle-consistent GAN trained on forged and authentic handwritten
signatures to augment data and add new entries to the forged samples. Additionally,
we explored two different GAN implementations, DenseNet GAN and ResNet GAN,
to investigate whether that will impact the results.
The results show that a small performance gain of 2-4% accuracy in our experiments
can be obtained through our GAN data augmentation method. Additionally, the
results did not seem to indicate that any of the two GAN implementations were
superior to one another. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Investigating the use of CycleGANs in handwritten forgery detection | |
dc.type | Master thesis | |